Bert-VITS2 快速上手指南

⚠️ 重要提示：本项目短期内不再进行维护。作者推荐使用 FishAudio 旗下的全新自回归 TTS 项目 Fish-Speech 作为替代，其效果目前为开源 SOTA 水准且持续更新。本指南仅供学习参考或现有用户迁移使用。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐) 或 Windows
• Python: 3.8 - 3.10 (建议使用 3.9)
• GPU: 支持 CUDA 的 NVIDIA 显卡 (训练必需，推理可选 CPU 但速度较慢)
• 依赖工具: git, ffmpeg

前置依赖安装

Linux (Ubuntu/Debian):

sudo apt-get update && sudo apt-get install -y ffmpeg git

Windows: 请手动安装 Git 和 FFmpeg (需配置环境变量)，或使用包管理器 choco:

choco install git ffmpeg -y

2. 安装步骤

2.1 克隆项目

git clone https://github.com/fishaudio/Bert-VITS2.git
cd Bert-VITS2

2.2 创建虚拟环境并安装依赖

推荐使用 conda 或 venv 隔离环境。

# 创建 Python 3.9 环境
conda create -n bert-vits2 python=3.9 -y
conda activate bert-vits2

# 安装 PyTorch (根据是否使用 CUDA 选择，以下为 CUDA 11.8 示例)
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装项目依赖
# 国内用户推荐使用清华源加速
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

本项目核心流程分为数据预处理、模型训练和推理。对于初学者，最快捷的方式是使用自带的 WebUI 进行预处理和操作。

3.1 数据预处理

将您的音频数据集整理好（建议采样率 44100Hz 或 48000Hz，单声道），放入指定目录后，运行预处理脚本。这是最关键的一步，详细参数请参考脚本内部注释。

python webui_preprocess.py

运行后将启动图形界面，按照指引完成音频切片、声纹提取和配置文件生成。

3.2 开始训练

预处理完成后，使用生成的配置文件启动训练。

# 示例：使用默认配置启动训练
python train_ms.py -c configs/config.json -m logs/your_model_name

3.3 推理测试

训练完成后，可通过 WebUI 或命令行进行语音合成。

启动 WebUI 推理界面：

python webui.py

在浏览器打开显示的地址（通常为 http://127.0.0.1:7860），加载模型后即可输入文本进行合成。

---

注：严禁将此项目用于违反中国法律法规及政治相关的用途。