AI工具2026-10-15·6 分钟阅读

Mac 上克隆自己的声音：GPT-SoVITS 零样本实操（免训练 · API 版）

开源 GPT-SoVITS 在 Apple 芯片 Mac 上的零样本声音克隆实操：几秒钟本人录音当参考，不用训练，API 模式启动与调用全记录，含参考音频与原文对照等关键经验。图文并茂，每步可照做。

Mac 上克隆自己的声音：GPT-SoVITS 零样本实操（免训练 · API 版）

想给自己的视频配音，又不想露嗓子反复录？只要一段几秒钟的本人录音，就能把音色学下来，之后你写什么文字，它就用你的声音念什么。全程在本机跑，不用训练，不用上传任何音频到别人的服务器。这篇记录在 Apple 芯片 Mac 上从安装到合成第一句的完整过程，全部实测。

一、准备工作

一台 Apple 芯片（M 系列）Mac
miniforge（conda）环境管理器
一段本人的录音（后面细说要求）

二、安装与启动

git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS
conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
bash install.sh --device MPS --source ModelScope

版本选 v2 的预训练权重即可（配置文件 GPT_SoVITS/configs/tts_infer.yaml 里的 custom 一档就是它），零样本克隆不需要任何微调训练。

装好后，双击 启动GPT-SoVITS.command（或执行下面这条命令）启动 API 服务：

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

看到类似下面的输出就说明启动成功了：

终端启动成功

启动后浏览器打开 http://127.0.0.1:9880/docs，能看到全部接口列表：

API 接口列表

注意：地址绑的是 127.0.0.1，只有本机能打开——声音是自己的，服务别往公网上放。

三、参考音频是命门

克隆像不像，一半功夫在这里：

时长 3–10 秒，太长没必要，太短学不到位；
单人、安静、无背景音乐和混响，手机在安静房间里录的就够用；
内容花样丰富一点更好（带上数字、英文、问句、笑声各一句，音色信息更全）；
转成 wav 放到机器上任意目录；
务必记下这段音频里说的原话，一个字都不能差——下一步要用，它叫 prompt_text（参考音频原文）。

【今晚真实教训】：我们第一轮就是栽在这一步。参考音频录的是一段 5 秒的游泳聊天，prompt_text 却填了一段完全无关的 47 字问候语——模型找不到对应音频，把多余的 prompt 尾巴当正文念了出来。修复方法：先用 ASR 工具把参考音频逐字转写下来，prompt_text 就填转写原文，一字不多、一字不少。

四、第一次合成

在 /docs 页面找到绿色的 POST /tts，点击展开，再点 Try it out 进入编辑模式：

展开 POST /tts 接口

注意：必须先点 Try it out 才能编辑，这是今晚真实踩过的坑——不点它，JSON 输入框是锁死的。

把请求体换成下面这段（路径换成你自己的）：

{
  "text": "要合成的新内容，随便改。",
  "text_lang": "zh",
  "ref_audio_path": "~/GPT-SoVITS/output/ref_audio_clean.wav",
  "prompt_text": "参考音频里说的原话，一字不差",
  "prompt_lang": "zh",
  "text_split_method": "cut5",
  "batch_size": 1,
  "media_type": "wav",
  "streaming_mode": false
}

JSON 填好待执行

几个参数说人话版：

text：要合成的新内容，随便改；
ref_audio_path：参考音频在本机的路径——注意 API 版没有「上传」按钮，音频先放好在机器上，接口只认路径；
prompt_text / prompt_lang：参考音频的原文和语种；
text_split_method：文本切分方式，cut5 是按标点切短句，比较稳。

点 Execute，等它算完（没有显卡帮忙时是纯 CPU 推理，一句话等上几十秒到几分钟是常态）：

执行后返回 200

返回 200 后，在 Response 旁边就能试听了。

五、保存成品

浏览器播放器菜单可能没有下载按钮（我们实测某浏览器只有倍速调节），这时候用终端 curl 直接落盘最靠谱：

curl -s -X POST "http://127.0.0.1:9880/tts" \
  -H "Content-Type: application/json" \
  -d @clone_check_request.json \
  -o clone_check.wav

终端 curl 落盘

-d @文件名 表示请求体从 JSON 文件读取，-o 文件名 表示响应直接存成文件。先把 JSON 存成文件再跑 curl，比在命令行里拼 JSON 稳得多。

六、长文合成

合成一整篇文章时，命令行拼 JSON 会超出长度限制，必须用文件法：

# 1. 把请求体存成 JSON 文件（正文放 "text" 字段）
# 2. 用文件法提交
curl -s -X POST "http://127.0.0.1:9880/tts" \
  -H "Content-Type: application/json" \
  -d @tts_long_fix_1.json \
  -o part1_fix.wav

长文太长会超时，实操是切成三段分别合成，再用 ffmpeg 合并：

# 合并（必须带 -nostdin，否则终端会挂起）
echo "file 'part1_fix.wav'" > parts.txt
echo "file 'part2_fix.wav'" >> parts.txt
echo "file 'part3_fix.wav'" >> parts.txt

ffmpeg -nostdin -y -f concat -safe 0 -i parts.txt -c copy 成品.wav

耗时参考：纯 CPU 推理约每分钟 55 字，一篇 1500 多字的文章大约半小时（三段各 100 秒左右）。中途别关终端。

合成好的成品文件都在 output 文件夹里：

输出文件夹内容

七、像不像怎么调

先多抽几版挑最好：同一句多合成几次，每次随机种子不同，挑最像的那版；
参考音频自然聊天语气比念稿强：说话自然、有停顿、有情绪的录音，学出来的音色更活；
文案先短后长：先用短句试通全链路，确认像了再上长文，免得白等半小时。

八、安全一句

服务只绑 127.0.0.1，只有本机能访问；参考音频和合成结果都存在本地目录，声音数据一步都不出本机。自己的声音自己做主。