03｜GPT-SoVITS 版本演进与复现配置
本页于 2026-10-08 补充 v5 Dev / Turbo。v1–v4 与 v2Pro 的历史说明仍保留 2026-09-29 核查及 48b1a0169a28582a8984402f82cf438d3bfa6aca（2026-08-18 提交）源码快照；v5 新事实另对应 e7cd61ec3dcc9a34089f50ed169e3103a16ad675（2026-10-07 提交）。不使用版本数字推导质量排名，也不把后续依赖维护都当作新基础模型。历史源码 · v5 专题 · 官方发布记录
版本选择先确定声学架构、参考方式与设备约束，再比较同一测试集上的效果。
图 1｜GPT-SoVITS 两类声学分支的演进关系
1. 已发布分支与 v5 默认配置
| 分支 | 主要变化 | 复现必须匹配的资源 |
|---|---|---|
| v1 | 早期语义 GPT 与 VITS 类解码 | 对应 s1/s2、语言前端与特征配置 |
| v2 | 扩展韩语、粤语等，改进前端与训练覆盖 | v2 基座和文本符号表 |
| v3 | 条件流匹配声学生成，24 kHz 波形路径 | s1v3.ckpt、s2Gv3.pth、配套 BigVGAN |
| v4 | 48 kHz 波形路径与相关上采样调整 | s2Gv4.pth、vocoder.pth 和匹配配置 |
| v2Pro / ProPlus | 延续 v2 类生成路径并强化身份条件 | Pro 对应 s2 权重、ERes2NetV2 资源 |
| v5 Dev | 100-bin mel、约 100 Hz；48 kHz 波形；默认 32 步、CFG 1.3 | s1v3.ckpt、s2Gv5dev.pth、v5 vocoder.pth 与新快照 |
| v5 Turbo | 同一声学接口；默认 4 步、无额外 CFG 分支；官方称由 Dev 经 DMD 蒸馏 | s1v3.ckpt、s2Gv5turbo.pth、v5 vocoder.pth 与新快照 |
历史 release 中可核对 20250422v4 与 20250606v2pro。因此 v2Pro 的数字较小，发布时间却晚于 v4；按名称排序得出的“新旧优劣”会误导。这里的旧分支仍参照历史快照，新 v5 行另参照最新固定配置；不能把一份最新源码套到所有旧模型后假定兼容。历史 README · 历史默认配置 · v5 默认配置
2. 发布说明与已测结论分开
| 证据 | 本章如何使用 |
|---|---|
| 作者关于相似度、稳定性的描述 | 标为项目报告，作为待验证假设 |
| 对应版本的固定源码与配置 | 用于解释该快照的实际计算路径，保留新旧证据边界 |
| 官网演示录音 | 用于理解能力，不当作统一盲测 |
| 本地 CPU 小实验 | 仅验证遮罩、量化、积分等教学机制 |
旧版本官方说明把 v1/v2/v2Pro 与 v3/v4 分为两类倾向：后者更受参考音频影响，对一般质量训练集的表现也可能不同。这应转化为固定参考、固定验证文本的对照，而不是复述为“某版本一定更好”。该历史分类不能直接证明 v5 微调后的表现；最新说明仍把 v5 少样本微调列为尚未研究或实验的事项。
明确写出 checkpoint、配置、代码提交和参考音频，才能重做同一个实验。
3. 最小复现记录
# 记录模板，不是 GPT-SoVITS 原生配置文件
code_commit: 48b1a0169a28582a8984402f82cf438d3bfa6aca
branch: v2Pro
s1_checkpoint: 填写实际文件名与校验值
s2_checkpoint: 填写实际文件名与校验值
reference_audio: 填写文件校验值
reference_transcript: 填写经过校对的文字
target_text: 今天下午三点十五分开始。
seed: 2026
device: 填写设备与驱动
measure: 冷启动、首包、总耗时、输出秒数分别记录
这个模板记录的是 v2Pro 历史配置，branch 表示这里选择的模型族，不是 Git 分支名；不可当作启动参数直接传给官方程序。文件名可能被重命名，校验值能减少“同名不同权重”的混淆。模型加载日志也应保留，以确认没有静默回退到另一版本。
复现 v5 应另记新代码 SHA、Dev/Turbo 声学权重、v5 声码器校验值、声学步数、CFG 与噪声尺度。参考 mel 为 32 kHz 分析、100 频带、320 点帧移，声码器输出 48 kHz；语义 GPT 的 temperature 与 CFM 的 0.875 噪声尺度也不是同一个参数。
某张显卡上的 RTF 不可移植为你的显卡成绩；并行数、分句、精度与缓存都能改变结果。
4. 依赖更新与模型更新
上次核查采用的 48b1a01（2026-08-18）提交修复 Fun-ASR-Nano 的 Transformers 依赖，仅修改 requirements.txt。这是历史数据准备/识别链路维护，不能继续写成当前最新模型进展，也不是当时声学架构发布“下一代”的证据。历史提交
本次新快照已经包含 v5 Dev / Turbo 的权重配置与推理分支，因此需要补充独立模型专题。提交日期、Wiki编辑时间与模型首次发布日期不是同一个时间；在缺少充分证据时不据前两者补造首次发布日期。新增 ASR 工具仍只改善录入链路，识别结果需要校对。原有 数据准备与微调继续介绍旧快照中的文件流。
5. v5 的收益与复现范围
| 观察 | 当前证据 | 复现时要控制 |
|---|---|---|
| Dev 默认 32 步 / CFG 1.3，Turbo 默认四步 / 无额外 CFG | 活动 models_v5.py 分支 | 实际权重、传入参数，避免 UI 覆盖默认值 |
| Turbo 由 Dev 经 DMD 蒸馏得到 | 项目方说明 | 不把公开普通 CFM forward 当成蒸馏配方 |
| 新版 vocoder 改善高频伪影 | 官方报告；公开 Generator 与 v4 同构 | 固定同一份 log-mel，比较不同权重 |
| Seed-TTS 中文 SIM 提升 | 项目方自测 | 评测脚本、声纹模型、输入清单与缺失处理 |
| Graph / 外部 FlashAttention 加速 | 当前 GPT AR 实现 | 设备、精度、真实后端、预热与计时范围 |
v5 四步不等于四个音频帧；少步调用次数、GPU 主干耗时和端到端 RTF 是不同指标。
v5 官方中文集自测中，Turbo 四步 SIM 0.782、错误率 1.6%；Dev 32 步加 CFG 的 SIM 0.805、错误率 1.7%。表头沿用 WER，但中文官方评测按字符计算。它们支持项目报告的相似度改进，不能直接转成自然度百分比，也不构成本页独立复测。v5 评测与复现审查
新 v5 专题包含端到端架构、CFG、DMD、声码器和加速的分层说明。选择旧分支时继续按旧快照匹配资源；选择 v5 时从 架构与参考窗口和 可运行机制实验核对新的接口约定。官方 v5 说明
正在连接 GitHub 评论…