GPT-SoVITS 是一个用于声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点：
零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感，模仿出来的声音更接近原声且自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，可直接下载使用。在一些数字人相关的方案中，声音克隆的步骤如下：
开源数字人组合方案中，第一步是先剪出音频，使用 https://elevenlabs.io/speech-synthesis 或 GPT-SoVITS 克隆声音，做出文案的音频。 剪映数字人“个性化“—无限免费私模数字人的制作流程中，首先打开剪映，添加文本到文字轨道并修改好朗读文字，然后点击朗读进行声音克隆（剪映的声音克隆现在只用念一句话就可完成克隆），克隆完成后选择喜欢的数字人形象并换上克隆音色，最后一键智能生成字幕，自行调整文字样式并校准即可完成。