GPT-SoVITS 显存需求与推荐配置

短答案

GPT-SoVITS:几秒参考音频就能克隆音色的中文配音利器,显存需求极低(4-6G 起步)——老卡 3060 6G、核显内存 offload 都能跑。

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:

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。
↑