在「音频与语音」类工具里，GPT-SoVITS 的定位是：开源的少样本声音克隆与 TTS 项目。

如果你刚开始接触它，可以按下面 7 天的安排练习，每天 20 到 40 分钟。

每日安排

  • 第 1 天：注册与熟悉界面：阅读仓库 README 与许可证；按官方推荐方式安装（容器或包管理器）
  • 第 2 天：完成第一个任务「会议录音转写」，按下文提示词操作。
  • 第 3 天：换一类任务「短视频配乐」，对比两次结果的质量。
  • 第 4 天：学习关键概念：TTS（文本转语音）、声音克隆、说话人分离。
  • 第 5 天：用真实工作材料做一次「课程旁白配音」，记录省下的时间和需要返工的地方。
  • 第 6 天：排查问题：对照常见问题「合成语音读错多音字」等检查自己的用法。
  • 第 7 天：复盘：保留有效的提示词，写下继续使用或放弃的理由。

第 2 天的练习材料

会议录音转写

适用情况：手头有一段 1 小时的会议录音时。

转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。

交付前确认：专有名词按名单校正。

一周后怎么判断值不值得继续

  • 是否稳定地节省了时间，而不只是第一次觉得新鲜。
  • 返工次数是否在下降。
  • 与 CosyVoice 等同类相比，是否更适合你的场景。
  • 数据与费用是否在可接受范围内。

更多可以试的用法

有声读物试音

适用情况：手头有一个章节的文本时。

用两种不同的声音风格朗读这一章节的前 300 字：一种沉稳叙述，一种轻松亲切，对比后选择更适合的版本。

验收标准：两种风格差异明显。

播客后期

输入：一期双人录制的原始音频。

处理这期音频：降低底噪、统一两人音量、删除超过 2 秒的停顿，保留自然的语气词，输出前后对比的处理记录。

验收标准：人声没有被处理得发闷。

分轨练习

准备材料：一首用于练习的歌曲音频。

把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。

交付前确认：分离后人声没有明显残留伴奏。

常见问题：克隆音色不稳定

使用更干净、更长的样本，避免背景音乐和回声。

常见问题：合成语音读错多音字

在文本中改用同音字或拼音标注，或使用工具的发音词典。

常见问题：转写错字集中在专有名词

提前提供人名、产品名词表，转写后批量替换。

概念补充：响度标准化

把音频调整到平台推荐的响度范围，避免忽大忽小。

概念补充：说话人分离

在转写中区分不同发言人，便于整理会议记录。

适合人群：视频剪辑师

视频剪辑师可以用 GPT-SoVITS 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。

适合人群：记者编辑

记者编辑可以用 GPT-SoVITS 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。

使用提醒

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

文中提示词和示例仅作示意，实际效果取决于你的材料和 GPT-SoVITS 当前版本，重要内容请人工核对后再使用。

延伸阅读