GPT-SoVITS 是目前中文社区里落地最快的少样本 TTS 方案：给它 5 秒参考音频就能做零样本合成，给它 1 分钟标注素材微调，音色相似度就能压过一大票商业接口。它同时覆盖中文、英文、日文、韩文、粤语（语言代码 zh / en / ja / ko / yue），并且支持跨语种推理——用中文素材训出来的音色，可以直接念英文台词。
版本线要先分清楚：V1/V2/V2Pro/V2ProPlus 是一条线，V3/V4 是另一条线。V3（2025 年 2 月）把音色相似度和 GPT 稳定性拉高，但非整数倍上采样带来了金属音；V4（2025 年 4 月）直接原生输出 48kHz 修掉了这个问题，官方定位是「对 V3 的直接替代」。V2Pro / V2ProPlus（2025 年 6 月，发布标签 20250606v2pro）走的是另一条路：在 V2 的硬件开销上引入 ERes2NetV2 说话人验证嵌入（sv/pretrained_eres2netv2w24s4ep4.ckpt，108MB），官方说法是「相比 V2 占用稍高显存，性能超过 V4」。到今天为止，V2ProPlus 仍是这个项目的性能天花板，没有 V5。
自己部署的坑主要有三个：一是参考音频硬性卡在 3～10 秒，超了直接抛「参考音频在3~10秒范围外，请更换！」；二是 Pascal 架构（SM 6.1，比如 Tesla P40、GTX 1080）和 GTX 16 系会被 config.py 强制降到 float32，速度和显存都吃亏，低于 4GB 显存干脆回落 CPU；三是长文本批量合成存在显存不释放的老问题（issue #2458 从 2G 涨到 7G，#1519 从 2G 涨到 29G），常驻 API 服务要留足余量。这三条决定了你该租哪张卡。
01 —
版本与权重：到底该下哪一套
权重全部托管在 HuggingFace 的 lj1995/GPT-SoVITS，整仓约 5.3GB
| 版本 | 参数量 | 显存 | 上下文 | 说明 |
|---|---|---|---|---|
| V2ProPlus（20250606v2pro） | s2Gv2ProPlus.pth 200MB + s1 GPT ckpt 155MB + SV 108MB | 推理 6GB 起步；微调按 WebUI 默认 batch = 显存GB ÷ 2 | 24kHz 原生输出，参考音频 3～10 秒 | 当前性能上限。官方公布的 RTF 为 4090 上 0.014、4060Ti 上 0.028，约 1400 字输出 3.36 秒完成。素材质量一般时也是它最稳。 |
| V2Pro（20250606v2pro） | s2Gv2Pro.pth 162MB + s1 GPT ckpt 155MB + SV 108MB | 推理 6GB 起步；显存开销略高于 V2，远低于 V3/V4 | 24kHz 原生输出，参考音频 3～10 秒 | 性价比最高的一档：保持 V2 的硬件成本和推理速度，音质超过 V4。想在 24GB 卡上跑多路并发就选它。 |
| V4（20250422v4） | s2Gv4.pth 769MB + vocoder.pth 57.8MB + s1v3.ckpt 155MB | 全量微调 14GB；开梯度检查点 12GB；LoRA 微调 8GB | 48kHz 原生输出，参考音频 3～10 秒 | 修掉了 V3 的金属音，是 V3 的直接替代。只有 48kHz 母带级素材才发挥得出来，素材一般反而不如 V2Pro。 |
| V3（20250228v3） | s2Gv3.pth 769MB + BigVGAN v2 24kHz 声码器 + s1v3.ckpt 155MB | 全量微调 14GB；梯度检查点 12GB；LoRA 8GB | 24kHz 输出，另配 24k→48k 超分模型 | 音色相似度高、逼近本人所需素材少，但非整数倍上采样会带金属音。除非有历史模型要兼容，新项目直接上 V4。 |
| V2（20240821v2） | s2G2333k.pth 约 106MB + s1bert25hz-5kh ckpt 155MB | 推理 6GB 以内；微调 batch = 显存GB ÷ 2，24GB 卡默认给到 12 | 24kHz 输出 | 底模从 2k 小时扩到 5k 小时，新增韩语和粤语，文本前端重写。素材偏脏、想让模型「取训练集平均」时，V2 系比 V3/V4 更合适。 |
02 —
GPU 选型：按你要做的事对号入座
NexGPU 全部按秒计量、按小时计价，无最低消费、无开通费、无配额申请
零样本试音 + V2Pro/V2ProPlus 常规推理
RTX 3090 24GB$0.193/卡·时
V2Pro 一整套权重不到 500MB，24GB 显存能同时挂几路模型热切换，而 3090 是我们这里最便宜的 24GB Ampere 卡——注意别贪便宜去选 Tesla P40，SM 6.1 会被 config.py 强制 float32。
1 分钟素材少样本微调（V2Pro / V2ProPlus 两阶段训练）
RTX 4090 24GB$0.540/卡·时
官方 RTF 0.014 就是在 4090 上实测的，24GB 显存对应 WebUI 默认 batch size 12，UVR5 分离、切片、FunASR 打标到 SoVITS+GPT 微调一条龙跑完通常一小时以内。
V3 / V4 全量微调（文档要求 14GB，梯度检查点 12GB）
RTX 5090 32GB$0.723/卡·时
V3/V4 的 WebUI 默认 batch 是「显存GB ÷ 8」，24GB 只能给到 3；换成 32GB 就是 4，再叠加 14GB 的全量微调基线才有余量，不用被迫退到 LoRA。
长文本批量合成 / api_v2 常驻服务
RTX A6000 48GB$0.817/卡·时
长文本推理的显存不释放是这个项目的已知问题（#1519 实测从 2G 涨到 29G），48GB 能让服务扛过一整批任务再重启，而不是跑到一半 OOM。
03 —
在 NexGPU 上把 GPT-SoVITS 跑起来
从空实例到 api_v2 出声，四步
- 01
开实例并装环境
在控制台选一台 RTX 4090 或 RTX 3090，用 PyTorch 预置镜像开机（我们有 2000+ 预置镜像，PyTorch、vLLM、ComfyUI 都在内）。SSH 进去克隆仓库，跑官方安装脚本；国内节点把 --source 换成 HF-Mirror 或 ModelScope 会快很多。别忘了 ffmpeg。
git clone https://github.com/RVC-Boss/GPT-SoVITS.git && cd GPT-SoVITS && bash install.sh --device CU128 --source HF-Mirror - 02
拉预训练权重
全部权重放在 HuggingFace 的 lj1995/GPT-SoVITS，整仓约 5.3GB，落到 GPT_SoVITS/pretrained_models 下。跑 V2Pro/V2ProPlus 必须额外确认 sv/pretrained_eres2netv2w24s4ep4.ckpt（108MB）在位；跑 V3 还要 BigVGAN v2 24kHz 声码器，跑 V4 要 gsv-v4-pretrained/vocoder.pth（57.8MB）——缺哪个都要到推理那一步才报错。
huggingface-cli download lj1995/GPT-SoVITS --local-dir GPT_SoVITS/pretrained_models - 03
WebUI 做数据流水线并微调
启动整合 WebUI（默认 9874，UVR5 人声分离在 9873）。流程是：UVR5 去伴奏与混响 → 音频切分 → FunASR（中文）或 faster-whisper（其他语种）打标 → 校对 .list 标注，格式是 vocal_path|speaker_name|language|text，语言代码只认 zh / ja / en / ko / yue → 先训 SoVITS 再训 GPT。产出的权重会落在 SoVITS_weights_v2Pro 和 GPT_weights_v2Pro 目录。本地用 SSH 端口转发把 9874 映射回来即可，不必暴露公网。
python webui.py zh_CN - 04
起 API 或直接 Docker 上线
对外服务用 api_v2.py，默认端口 9880，提供 /tts、/control、/set_gpt_weights、/set_sovits_weights、/set_refer_audio 五个接口，可以在不重启进程的前提下热切音色。2025 年 11 月合入的流式推理让首包延迟大幅下降，做实时对话可以直接用。嫌装环境麻烦就走官方镜像 xxxxrt666/gpt-sovits:latest-cu128，共享内存记得给到 16GB。
python api_v2.py -a 0.0.0.0 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml
一次完整声音克隆到底花多少钱
用 RTX 4090 24GB（$0.540/卡·时）算一笔实账：装环境加拉 5.3GB 权重约 0.3 小时 = $0.16；UVR5 分离、切片、FunASR 打标 1 分钟素材约 0.2 小时 = $0.11；SoVITS 与 GPT 两阶段微调约 0.5 小时 = $0.27。合计 1.0 小时封顶，$0.54——一杯咖啡能训四个音色。推理端更夸张：按官方在 4090 上实测的 V2ProPlus RTF 0.014，合成 1 小时成品音频只消耗 3600 × 0.014 = 50.4 秒 GPU 时间，折合 $0.0076，不到一分钱。想省到极致就换 RTX 3090 24GB（$0.193/卡·时），同一套流程整轮只要 $0.19。权重加数据集留 8GB 常驻存储是 $0.414/GB·月 × 8 = $3.31/月，导出 1GB 成品 wav 的出网流量是 $0.0081。记住计费规则：实例一停计算就停止计费，存储要销毁才停。
04 —