01模型档案
| 模型 | GPT-SoVITS · RVC-Boss 开源社区 |
| 规格 | 0.5B 级 · 许可 MIT · 上下文 0K |
| 类别 | 音乐/音频 · 擅长 声音克隆 · 中文配音 |
| 显存需求 | 量化最低 4G · 舒适推荐 8G |
02能跑它的显卡(按价格升序)
按推荐显存 8G 匹配,取最便宜的达标卡:
Arc B570B580 的精简版:10G 显存跑 SDXL 从容;Xe2 架构驱动进步大,千元档 I 卡入场 …
¥1,399
GeForce RTX 3060 12GB千元级 12G 传奇。学生党预算上限 2000 时的最优解。
¥1,899
MTT S80国产 GPU 第一张能日用的卡:16G 显存 + DX 兼容,驱动周更迭代中;跑 AI …
¥1,899
Arc B580 12GB12G 显存最便宜的新卡。IPEX 生态小众,学生党折腾可选。
¥2,299
GeForce RTX 4060 8GB最低预算入场券。只建议纯 SD 玩家或学生党选。
¥2,899
Radeon RX 9060 XT 8GBRDNA4 入门:8G 显存跑 SD1.5/游戏 1080p;AI 视角优先加钱 16G 版—— …
¥3,099二手/魔改大显存方案:[3090 24G 二手](/hardware/gpu/rtx-3090-24g-used/) · [魔改 4090 48G](/hardware/gpu/rtx-4090-48g-modded/) · 全量筛选 → [显卡专区](/hardware/gpu/)
几秒参考音频即克隆音色,中文语音克隆第一选择;6G 卡即可生产。
显存怎么算:推理 4-6G、训练 8-12G,任何 8G+ 显卡全流程无压力——语音克隆的门槛在素材与调试,不在硬件。整机的完整配置(录音、批量转写、克隆)见语音场景指南。
选型对照:音乐生成(ACE-Step/YuE)与语音(TTS/克隆)是两条线,全部模型显存需求见音频模型总表;批量转写侧的 Whisper 方案 → 二手 3090 转写生产线。
常见问题
GPT-SoVITS 需要多少显存?
推理 4-6G,微调训练 8-12G。它是轻量模型:3060 12G 全流程舒适,甚至纯 CPU 也能出声(慢)。克隆音色门槛之低,是它流行的原因。
克隆效果怎么样?合法吗?
几秒到几十秒参考音频即可复刻音色与语气,中文效果社区最好。注意:克隆他人声音需取得授权,商用场景(有声书、配音)用自己或已授权的音色——技术无罪,使用有边界。
和 CosyVoice 怎么选?
目标「复刻某个人的声音」→ GPT-SoVITS;目标「任意文字高质量朗读/实时合成」→ CosyVoice 2(零样本 TTS,流式延迟低)。做配音工作室两个都装,工作流互补。