vits-finetuning

收录理由

想做一个自定义的语音合成声音，通常得从零开始训练模型，成本很高。这个项目绕开了这一步，直接基于预训练的VITS模型做微调，并且把整个流程都写清楚了：准备日语的音频-文本数据集、把音频重采样成指定格式、预处理，再到多说话人训练。README里对数据需求也很坦诚，说大约五十对音频和文本就能得到不错的效果，这对想做出某个角色音色或个人语音的爱好者和小团队来说，门槛低了不少。项目还提供了Google Colab笔记本，训练和推理都能在线跑，没有自己的GPU也能用。主要限制是只支持日语数据集，所以只适合那些能接受这个条件的项目。