自制AI步非烟音声朗读小说

        昨天找小说的时候突发奇想，如果用步非烟来朗读母系小说岂不是爽歪歪，其实很早都有这种想法，但昨晚下定决心付诸行动，再加一上午总算全流程弄通了，附一段自制的步非烟音声。具体教程我让大肥鱼生成了教程文档 我是懒得写了。

通过网盘分享的文件：FLCZ分享-GPT-SoVITS+MAGI读小说全流程.md等3个文件
链接: https://pan.baidu.com/s/16vyGeMtsk5Lycknn6A6Ixg 提取码: v9ps 复制这段内容后打开百度网盘手机App，操作更方便哦

参考音频是步非烟第二季 362.出轨儿子的骚话母亲--小烟.mp3

我也是小白，所以有问题的可以下载workbuddy用deepseek问。

用 GPT-SoVITS 克隆音色 + MAGI 听小说：从造模型到整本朗读
────────────────────────────────────

前段时间想把自己喜欢的声音用来读小说，折腾了几天跑通了整条链路，写下来给有同样需求的朋友。

先说结论：能跑通，成本不高，8G 显存的笔记本就够。造一个音色模型大约 1 小时（训练本身只要几分钟），之后每次听书就是双击一个脚本 + 打开阅读器。

现成的商业软件基本没有能干这个的，所以只能自己把两段拼起来：

　　GPT-SoVITS（造音色 + 出音频）　→　MAGI（阅读器，显示和播放）


一、需要准备什么
────────────────────────────────────

· 系统：Windows 10 / 11
· 显卡：NVIDIA，6 GB 显存起步，8 GB 舒服（我用 4060 Laptop 8G）
· 磁盘：预留 30 GB 以上
· 素材：目标音色的干净人声，1~5 分钟就够
· 软件：GPT-SoVITS 整合包、MAGI 阅读器（都免费开源）


二、第一步：造音色模型
────────────────────────────────────

这一步不用我重写教程，官方手册做得很完整，照这篇走就行：

　　GPT-SoVITS 指南（白菜工厂1145号员工）
　　https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e

配套视频（13 分钟，讲整合包全流程）：
　　https://www.bilibili.com/video/BV14xS8BDE1w/

下面只补充几个视频里一句话带过、但实际最容易翻车的点。

1. 开工前关掉三样东西

· 全局代理 / 梯子 —— 不关会各种莫名其妙的报错
· 浏览器的网页翻译 —— 会把 WebUI 界面翻译成奇怪的中文，按钮全找不到
· 杀毒软件 —— 会误杀、拖慢解压和训练

2. 选对整合包

只有 RTX 50 系才下 nvidia50x0 那个包，其他所有 N 卡（含 40/30/20 系）都下常规包。选错能启动，但没必要将就。

3. 素材处理顺序

· 有背景音乐 / 噪声 → UVR5 人声分离 → 语音切分
· 素材本来就干净 → 直接语音切分

切完一定要按「时长」排序，把超过 15 秒的删掉。这一步偷懒，后面训练必出怪声。

如果切出来几乎全是超长片段，说明素材断句间隔太短，把切分参数里的 300 改成 100 或 200 重切，其他参数别碰。

4. ASR 之后必须校对

视频说校对「可以跳过」，但强烈建议至少抽查前 20 条。ASR 听错一个字，这个错字就原样进了训练集，直接反映成咬字不准。我自己的素材里就有数字被听成「QQ号」的情况。

5. 版本选 v2Pro，参数全默认

· 版本：v2Pro 或 v2ProPlus，两者差距不大
· 训练参数一个都别改，软件已经按你的显存自动调好了
· DPO 训练不要开，实验性功能，反馈普遍是弊大于利

6. 8 GB 显存的限制

· v2Pro / v2ProPlus —— 可以训
· v3 —— 只能走 LoRA
· v4 —— 全量要 12 GB，训不了

所以 8G 卡老老实实 v2Pro。


三、第二步：起 API 服务（这里最容易卡住）
────────────────────────────────────

模型训完，WebUI 里能试听，但阅读器连不上 WebUI。这是最多人卡住的地方，我当初也绕了一圈。

关键认知：WebUI 和 API 是两个东西

· WebUI —— 启动方式 go-webui.bat，端口 9871~9874，人点鼠标调参用，没有 /tts 接口
· API —— 启动方式 api_v2.py，端口 9880，给程序调用，有 /tts 接口

阅读器要连的是 API，不是 WebUI。我第一次把地址填成 WebUI 端口，报 Failed to fetch，查了半天。

启动命令（在整合包根目录开命令行）：

　　runtimepython.exe api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml

看到这行就是成功了，窗口别关：

　　Uvicorn running on http://127.0.0.1:9880

三个参数其实都是默认值，只写 api_v2.py 也能跑。写全是为了以后不迷糊。

做个 start.bat 双击启动更省事，注意加个端口占用检查，不然容易起出两个实例打架。


四、第三步：MAGI 配置
────────────────────────────────────

MAGI 是个本地阅读器（Electron 做的），支持 EPUB / TXT，带逐句高亮朗读。

　　项目：https://github.com/noemoe5/MAGI
　　下载：https://github.com/noemoe5/MAGI/releases

设置里填 4 个字段

· base_url —— http://127.0.0.1:9880
· 参考音频 —— 参考音频的完整路径，不要带引号
· 提示文本 —— 必须和参考音频一字不差
· 语言 —— zh

三个坑

① 参考音频路径不能带引号。从资源管理器「复制为路径」粘进去会带引号，服务端直接报 400。

② 提示文本要逐字一致，标点也算。ASR 出来的是半角逗号和句点，如果你改成全角的，相似度会掉。

③ 参考音频和模型必须配套。音色是参考音频决定的，模型只提供「会说话的能力」。换了模型不换参考音频，会得到很怪的杂交音。

参考音频怎么挑

· 时长 3~6 秒（超过 10 秒直接报错）
· 单人、无背景音乐、无混响
· 语气平稳 —— 别挑喊叫、耳语、哭腔的段落，模型会把这股劲儿带到整本书里


五、实测性能（4060 Laptop 8G）
────────────────────────────────────

· 10 字文本 → 音频 2.5 秒，生成耗时 1.5 秒，约 1.7 倍速
· 25 字文本 → 音频 6.7 秒，生成耗时 2.9 秒，约 2.3 倍速
· 65 字文本 → 音频 15.2 秒，生成耗时 6.3 秒，约 2.4 倍速

整体约实时的 2.4 倍速，跟得上正常朗读节奏。短句因为固定开销占比高，会显得慢些。

听感上会有句间停顿——因为阅读器是逐句请求合成的。把语速设成 1.1~1.2 能明显缓解。


六、踩坑清单
────────────────────────────────────

1. 报 Failed to fetch
服务没起，或地址填错。确认终端里有 Uvicorn running，核对端口是 9880。

2. 报 TTS 请求失败 (400)
参考音频路径不存在 / 带引号 / 超 10 秒 / 语种代码错，逐个排查。

3. 声音不像
参考音频不对，或参考文本和音频对不上。换 5 秒干净片段，逐字核对。

4. 越听越卡
WebUI 的推理页也开着，两个模型抢显存。日常听书只开 API，别开 WebUI。

5. 端口报 Cannot find empty port
Windows 的 Hyper-V / WSL 预留了一段端口，落在里面谁绑不上，netstat 也查不出来。改 config.py 里的端口（我换到了 15001~15004）。

6. 合成胡言乱语
单次文本太长。一次别超 50 字，按句切。


七、几点说明
────────────────────────────────────

关于效果
音色相似度确实可以做到「一听就知道是谁」的水平，但说话的习惯学不到——口癖、气口、笑腔这些是第二层信息，模型给不了。读长篇小说会逐渐趋向一种「播音腔」。这是目前所有少样本方案的共同局限。

关于素材类型
用什么类型的录音训练，就会得到什么气质的模型。用朗读类素材（有声书、播客、访谈）训出来的模型天生就会念书；用情绪化、贴麦的素材训，读小说会很违和。选素材比调参数重要十倍。

关于合规
· 克隆可识别的真人声音（尤其是商业配音、声优、公众人物）需要本人授权。《民法典》第 1023 条把声音权益参照肖像权保护。自己听风险较低，公开发布或商用是明确的法律风险。
· 朗读受版权保护的作品并公开传播，另需著作权授权。
· 按 GPT-SoVITS 的使用规约，公开发布基于它制作的作品时需要署名 GPT-SoVITS 工具，否则违反开源协议。
· 如何喜欢步非烟的音声，有能力的可以支持正版。

结语
────────────────────────────────────

整条链路跑通之后，日常使用就三步：双击起服务 → 打开阅读器 → 点朗读。

折腾成本主要在前面的模型训练和配置排查，一旦通了就很省心。我也是小白，所以有问题的可以下载workbuddy用deepseek问。

　　参考文档：https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e
　　MAGI 项目：https://github.com/noemoe5/MAGI