先说清楚它是什么：GPT-SoVITS 属于「音频与语音」方向的开源项目，开源的少样本声音克隆与 TTS 项目。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
清晰度语音是否清楚、无明显杂音明显不合格无需修改即可使用
准确性转写或朗读是否与文本一致明显不合格无需修改即可使用
自然度停顿、语调是否像真人明显不合格无需修改即可使用
一致性多段音频音量与音色是否统一明显不合格无需修改即可使用
授权音色、音乐是否有合法使用依据明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

会议录音转写

准备材料：一段 1 小时的会议录音。

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】。

验收标准：专有名词按名单校正。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 GPT-SoVITS 的结果与人工完成或 F5-TTS 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

更多可以试的用法

课程旁白配音

准备材料：一份 800 字的讲解稿。

把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。

检查点：数字读法不会产生歧义。

短视频配乐

适用情况：手头有一条 30 秒视频的情绪与节奏时。

生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。

验收标准：结尾没有突然截断。

播客后期

准备材料：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。

检查点：人声没有被处理得发闷。

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：降噪后声音发闷

降低处理强度，宁可保留少量底噪。

概念补充：TTS（文本转语音）

把文字合成为语音，可选择音色、语速与情感。

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。

适合人群：音乐人

音乐人可以用 GPT-SoVITS 处理编曲灵感、分轨练习等工作。需要注意：AI 生成音乐的版权归属以平台条款为准，发行前确认。

适合人群：客服人员

客服人员可以用 GPT-SoVITS 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

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。

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。

涉及个人信息、商业机密或受监管数据时，先确认 GPT-SoVITS 的数据处理条款，再决定能否使用。

延伸阅读