声匠

要解决什么问题

自建 GPT-SoVITS 推理时，常见痛点是：参考音频与文本怎么喂、长文是按行拆还是按段拆、以及短句推理容易出静音或白噪声。做有声书或口播还要自己拼接 WAV。声匠把这类流程收敛成 Agent 可执行的固定套路：在你已装好运行时与权重的前提下，完成克隆音色读新稿、整章分段合成、单段一次性推理。

技能如何工作

声音克隆（零样本）：用户提供 3–10 秒干净参考 WAV 及对应转写，技能用该音色合成新文本。不微调时相似度大约 70–80%；若你另有微调权重，可指向 .pth / .ckpt 以追求更稳的音色。

整章口播：从文件或粘贴文本进入流水线——按自然段拆分，自动合并不足约 20 字的短段（避免按 \n 逐行推理），再逐段推理并拼接为完整音频。也可与参考音频组合，实现「用我的声音读整章」。

单段与对比：整段文本一次送入模型；需要时可分别指定不同 GPT 权重（如预训练 vs 微调），输出到不同文件便于听感对比。

首次使用需向 Agent 声明 GPT-SoVITS 根目录、SoVITS/GPT 权重路径、参考音频与文本、输出目录等（可写入 TOOLS.md）。

适用边界与注意点

• 技能不负责安装 GPT-SoVITS、BERT/HuBERT 预训练包；参考音频需 16kHz/32kHz、低噪。
• 禁止按换行把正文切成极短句逐条推理；整章逻辑依赖「段级合并 + 整段推理」。
• 续训 SoVITS 时注意 process_ckpt.py 与 s2_train.py 的 checkpoint 格式差异，续训前需用 prepare_ckpt.py 转换。
• 训练数据需干净（避免录制指令混入）；实验目录建议英文路径；6GB 显存场景下 GPT 推理常需放 CPU。

基于 GPT-SoVITS（MIT），仅供学习研究使用。