モデル情報

GPT-SoVITS：1 分の学習データで声づくり、5 秒の音声でゼロショット

公式 README に、少ないデータで声を作れることと、GPU ごとの推論の速さの目安があります。

この記事は、提供や依頼を受けて書いたものではありません。数値は各社の公式ページから取得し、公式に書かれていないことは「記載なし」と示します。

GPT-SoVITS は、1 分の学習データでのファインチューンと、5 秒の音声だけでのゼロショットを紹介しています。日本語にも対応しています。

公式の記載

項目	内容
少量のデータ	1 分の学習データでファインチューン
ゼロショット	5 秒の音声サンプルを入力
対応言語	英語、日本語、韓国語、広東語、中国語
推論の速さ（RTF、小さいほど速い）	RTX 4090 で 0.014、RTX 4060 Ti で 0.028、M4 の CPU で 0.526
必要な VRAM	記載なし
テスト済みの環境	Windows 10 以上、Python 3.9〜3.12、PyTorch 2.2〜2.8、CUDA 11.8 / 12.4 / 12.8、Apple silicon、CPU

借りる GPU は音声の用途ページにまとめています。

出典はすべて公式ページです。取得日は更新日に合わせています。