TangYuGe GPT-SoVITS v2ProPlus

针对视觉小说 Sparkling Memories (夏日花火) 中角色 Tang Yuge (唐语歌) 的声音微调的 GPT-SoVITS v2ProPlus 权重。仅支持中文（普通话），输出为 32 kHz 单声道。

本仓库包含完整配套内容：微调后的 GPT 和 SoVITS 权重、19 个场景配置及其参考音频和提示文本、推理 / HTTP 桥接脚本，以及运行或继续训练所需的全部辅助模型和基础模型（可选择下载）。当前版本：GPT G-F2+DPO 第 10 轮 + SoVITS 第 4 轮（weights/tangyuge_v2pp_dpo-e10.ckpt、weights/tangyuge_v2pp_e4_s564.pth）。


任务	语音合成、少样本声音克隆（角色声音）
语言	仅限中文普通话
输出	32 kHz，单声道，WAV
权重	GPT 155 MB + SoVITS 173 MB（fp16）
验证环境	GPT-SoVITS commit `ea2d2a8`、Python 3.10、PyTorch 2.4.0 + CUDA 12.4、RTX 4060 Laptop（8 GB）
实时率	在上述已验证 GPU 上约为 0.4–0.5（fp16，预热后）
许可证	Apache-2.0（见许可与权利）

模型详情

模型描述

维护者： shiqianyan
模型类型： 两阶段自回归 TTS。由 GPT（文本 → 语义 token）和 SoVITS（语义 token + 参考音频 → 波形）组成，两者均从官方 v2ProPlus 基础模型进行全量微调（非 LoRA）。
语言： 中文普通话
微调基础模型： lj1995/GPT-SoVITS（s1v3.ckpt、v2Pro/s2Gv2ProPlus.pth、v2Pro/s2Dv2ProPlus.pth）
来源： 训练代码采用官方 GPT-SoVITS（commit ea2d2a8）；仅新增学习率调度启动器及官方 DPO 选项的开关（见训练流程）。

版本历史

main 始终保存当前版本。较早的 GPT 检查点以标签形式保留。

标签 / 引用	GPT 检查点	说明
`main`（标签 `v2pp-dpo-e10-20261023`）	`weights/tangyuge_v2pp_dpo-e10.ckpt`	当前版本。真实录音 + 合成教师数据，学习率余弦退火，官方 DPO
`v2pp-d2-20261022`	`weights/tangyuge_v2pp_d2-e6.ckpt`	蒸馏轮次：561 条真实录音 + 561 条合成音频，比例为 1:1（该标签的 `weights/` 中仍有 e14 文件；请使用 d2 文件）
`v2pp-e14-20261020`	`weights/tangyuge_v2pp-e14.ckpt`	首个 v2ProPlus 版本：仅使用 561 条真实录音训练

三个版本的 SoVITS 权重（tangyuge_v2pp_e4_s564.pth）完全相同。

hf download shiqianyan/TangYuGe-GPT-SoVITS-v2ProPlus --revision v2pp-d2-20261022 --local-dir TangYuGe-d2

较早的 v2Pro（非 Plus）微调版本位于 shiqianyan/TangYuGe-GPT-SoVITS-v2Pro。v2ProPlus 系列的底噪和背景噪声明显更低（见 manifests/training_report.md），建议使用该系列。

用途

直接用途

以该角色的声音生成中文对白，用于同人作品、游戏模组、角色聊天机器人以及个人学习或研究。请选择与台词语气相符的场景配置（见场景配置）；参考音频及其提示文本在很大程度上决定情感和节奏。

不适用的用途

非中文文本；中英混合文本（未经测试）；任何需要原配音演员精确表演的用途；冒充真实人物；误导性或违法用途。请将生成音频标注为 AI 合成。

偏差、风险与局限

短句可能提前结束（例如，四个音节的台词只说出前半部分）。这是 GPT-SoVITS 自回归解码的已知特性；下文较保守的默认采样参数可以减少此类情况，但无法完全避免。
电音 / “含混”伪影。 部分输出，尤其是使用严肃场景参考音频（serious_script41_L0682，即 main_hybrid_mid 的默认参考音频）时，存在轻微电子失真或“嘴里含着东西”的听感。这些伪影存在于随仓库发布的 SoVITS 第 4 轮权重中，后续所有实验均未能修复。自动指标（DNSMOS、ASR 错误率）无法检测到这些问题，因此本版本不声称有所改善。
非语音声音（笑声、吸气、叹气）在 GPT-SoVITS 中没有专用 token（音素词表已满）。只有当文本包含嘻嘻 / 哈哈 / 唉等感叹词时才会出现，质量也低于自然笑声。在我们的测试中，约四分之三的预期事件类型得以呈现（事件召回率为 0.77，见评测）。
参考音频与提示文本必须配对。错误的提示文本会明显降低发音和节奏质量。
声音与音色受限于约 43 分钟的源录音；强烈情感（喊叫、哭泣）的表现较弱。
在部分 Intel 混合架构 CPU 上（已在 i7-13650HX 上复现），PyTorch 的 oneDNN 多线程 Conv1d 会返回错误结果。GPU 推理不受影响；使用 CPU 时，请设置 torch.backends.mkldnn.enabled = False 或以单线程运行。
部分 GPT 训练数据是由商业 TTS 服务模仿同一角色生成的合成语音。这些数据不在此处重新分发，也可能将该服务自身的发音错误传递给模型。

建议

保留默认采样参数，选择与文本最接近的场景配置，发布前试听输出，并且不要用它模仿真实人物。

快速上手

1. 准备 GPT-SoVITS

git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS && git checkout ea2d2a8      # 按照上游文档安装其 Python 依赖

2. 下载本仓库

将其放在 GPT-SoVITS/ 旁边：

cd .. && hf download shiqianyan/TangYuGe-GPT-SoVITS-v2ProPlus --local-dir TangYuGe-GPT-SoVITS-v2ProPlus

如果你已在使用 GPT-SoVITS v2ProPlus，并已具备其辅助模型（BERT、HuBERT、SV、G2PW、fast_langdetect），则只需下载权重、场景配置、参考音频和脚本；可以跳过体积较大的覆盖目录：

hf download shiqianyan/TangYuGe-GPT-SoVITS-v2ProPlus --exclude "GPT-SoVITS-overlay/*" --local-dir TangYuGe-GPT-SoVITS-v2ProPlus

3. 安装辅助模型（已有则可跳过）

python TangYuGe-GPT-SoVITS-v2ProPlus/scripts/install_pretrained.py --gptsovits-root GPT-SoVITS

该脚本会校验哈希，并将 GPT-SoVITS-overlay/ 复制到 GPT-SoVITS 目录树中（跳过已有且内容相同的文件）。覆盖目录包含两组内容：

类别	文件	用途
辅助模型	`chinese-roberta-wwm-ext-large`（BERT）、`chinese-hubert-base`、`sv/`（说话人验证）、`text/G2PWModel`、`fast_langdetect`	推理
官方 v2ProPlus 基础模型	`v2Pro/s2Gv2ProPlus.pth`、`v2Pro/s2Dv2ProPlus.pth`、`s1v3.ckpt`	仅用于继续训练

微调权重是完整的推理模型。GPT-SoVITS 保存时会移除后验编码器（enc_q）和判别器，因此从这些权重继续训练时，需要使用基础模型恢复这些部分。

4. 合成语音

使用 GPT-SoVITS 的 Python 环境：

# 默认配置（严肃语气 / 长句）
python TangYuGe-GPT-SoVITS-v2ProPlus/scripts/run_tangyuge_infer.py --text "这里填写要合成的中文文本。" --output output.wav

# 其他场景：切换配置
python TangYuGe-GPT-SoVITS-v2ProPlus/scripts/run_tangyuge_infer.py \
  --voice-profile TangYuGe-GPT-SoVITS-v2ProPlus/profiles/morning.yaml \
  --text "早上好呀，今天也要元气满满哦。" --output morning.wav

如果两个目录不在同一父目录下，请添加 --gptsovits-root <path>；添加 --seed N 可复现结果。

5. HTTP 服务（可选）

python TangYuGe-GPT-SoVITS-v2ProPlus/scripts/start_tangyuge_bridge.py

该服务在 127.0.0.1:9881 提供 /tts 接口（GPT-SoVITS 的 api_v2 后端运行在 9880）。桥接服务会根据文本选择场景，你也可以指定场景：

import requests

r = requests.post(
    "http://127.0.0.1:9881/tts",
    json={"text": "早上好呀，今天也要元气满满哦。", "profile": "morning"},   # "profile" 为可选字段
    timeout=120,
)
open("output.wav", "wb").write(r.content)

请求字段：text（必填）、profile / scene / reference（选择场景）、top_k、top_p、temperature，以及常用的 api_v2 字段。辅助接口：GET /health、GET /profiles、GET /references。

如果直接调用原生 GPT-SoVITS api_v2 后端，权重由服务端固定，但每个请求仍必须携带场景参考音频及其提示文本（取自 manifests/references.yaml）：

{
  "text": "早上好呀，今天也要元气满满哦。",
  "text_lang": "zh",
  "ref_audio_path": "<repo>/references/morning_script43_L0993.wav",
  "prompt_text": "曦铭？这么早就来学校了呀。",
  "prompt_lang": "zh",
  "top_k": 5, "top_p": 0.8, "temperature": 0.7,
  "text_split_method": "cut5", "batch_size": 1,
  "media_type": "wav", "streaming_mode": false
}

6. GPT-SoVITS WebUI

安装辅助模型后，选择 GPT 权重 weights/tangyuge_v2pp_dpo-e10.ckpt、SoVITS 权重 weights/tangyuge_v2pp_e4_s564.pth、references/ 中的任一音频及其在 manifests/references.yaml 中对应的 prompt_text，并使用下列采样参数。

默认参数

参数	值
`top_k` / `top_p` / `temperature`	`5` / `0.8` / `0.7`（较保守；相比上游默认值更少出现吞音节）
文本切分	`cut5`
精度	fp16（fp32 未显示出可测量的差异）
重复惩罚	上游默认值（1.35）；1.0 和 1.15 均未带来改善

配置格式

每个配置通过相对路径绑定权重、配置文件、参考音频和提示文本，因此仓库可移动到任意位置：

# 节选
name: tangyuge_v2pp_final_main
version: v2ProPlus
tts_config: ../configs/tts_infer_pack.yaml
weights:
  gpt: ../weights/tangyuge_v2pp_dpo-e10.ckpt
  sovits: ../weights/tangyuge_v2pp_e4_s564.pth
prompt:
  reference_id: serious_script41_L0682
  ref_audio_path: ../references/serious_script41_L0682.wav
  prompt_text: 气也撒了，如果你还不收敛，给在场辛苦的工作人员增添麻烦，丢人现眼的，也只有你自己了。
  prompt_lang: zh

defaults: {text_lang: zh, text_split_method: cut5, media_type: wav, batch_size: 1, top_k: 5, top_p: 0.8, temperature: 0.7}

场景配置

GPT-SoVITS 的语气和节奏主要取决于参考音频，因此仓库提供了 19 个场景参考（每个均为游戏原始台词音频及其转写文本），以 profiles/*.yaml 形式打包：

配置	适用场景
`main_hybrid_mid`（默认）	严肃说明、长句、平稳情绪
`morning`	问候、简短闲聊
`neutral_polite`	平实陈述、礼貌回复
`soft_daily`	温柔、轻松的日常交谈
`question_clear` / `question_firm`	关切询问 / 质问
`lively_daily` / `casual_invite`	轻快短句 / 邀请朋友
`narration_calm`	旁白
`apology`	道歉、礼貌退让
`bright_fireworks` / `high_brightness_exclaim` / `exclaim`	明快期待 / 开心短句 / 惊讶感叹
`intimate_reassure` / `romantic_soft`	亲密安慰 / 羞涩的浪漫台词
`command_gentle`	提醒、劝阻
`food_daily` / `cafeteria_ordering`	美食话题 / 点餐
`low_energy_discussion`	克制的说明、平静讨论

更换参考音频时，也要同时更换其提示文本。

样例

文件	文本
`samples/sample_morning.wav`	早上好呀，今天也要元气满满哦。
`samples/sample_long_statement.wav`	这个计划我已经反复确认过了，如果大家都愿意配合，烟火大会一定能顺利举办，到时候我们再一起庆祝吧。

两个样例均使用本版本的 scripts/run_tangyuge_infer.py，以随机种子 9001 生成。

仓库结构

├── README.md
├── LICENSE                          # Apache-2.0
├── THIRD_PARTY.md                   # 随附第三方模型的来源
├── weights/                         # 微调权重（fp16）
│   ├── tangyuge_v2pp_dpo-e10.ckpt   #   GPT（文本 -> 语义 token）
│   └── tangyuge_v2pp_e4_s564.pth    #   SoVITS（语义 token -> 波形）
├── GPT-SoVITS-overlay/              # 辅助模型 + 基础模型，目录结构与 GPT-SoVITS 相同
├── configs/tts_infer_pack.yaml      # GPT-SoVITS 推理配置
├── profiles/                        # 19 个场景配置
├── references/                      # 19 个场景参考音频
├── samples/                         # 输出样例
├── scripts/                         # 安装 / 推理 / HTTP 桥接脚本、GPT 学习率调度启动器
├── assets/                          # 本模型卡使用的图表
└── manifests/
    ├── references.yaml              # 参考音频 <-> 提示文本绑定关系
    ├── training_report.md           # 完整训练与评测报告（中文）
    └── checksums.sha256             # 文件哈希

训练详情

训练数据

所有声音数据均来自该角色的游戏内台词（从游戏提取的 702 条音频，约 48.8 分钟）；数据集本身不公开。转写文本已通过 ASR 检查：未发现明显错误的标注（平均拼音错误率为 2.0%，没有超过 30% 的样本）。

阶段	数据
SoVITS	561 条真实录音（1–12 s，至少 6 个汉字），约 43.1 分钟
GPT	1559 条音频：685 条真实录音（上述 561 条 + 因时长和字数规则而被剔除的 124 条短句 / 感叹词台词；仅用于 GPT）、845 条合成音频（约 57.5 分钟；由商业 TTS 服务模仿同一声音生成，按下述条件筛选），以及 29 条重复加入的含有“我们”的真实录音

合成数据筛选（以下均为机器门槛）：时长 1–12 s、削波比例 ≤ 1%、相对于本地 Paraformer 转写结果的文本拼音编辑距离 ≤ 1（不超过 4 个音节的台词要求为 0）且覆盖率 ≥ 0.9、DNSMOS 背景评分 ≥ 3.5；对于笑声台词，带事件标签的语音转写结果中必须出现对应事件标签。合成部分中包含“我们”的音频均被剔除（其发音与真实声音不匹配），维护者还通过试听剔除了 5 条听感不自然的音频。

训练流程

SoVITS（与首版相同）：从 s2Gv2ProPlus.pth / s2Dv2ProPlus.pth 开始训练，批大小为 4，学习率为 1e-4，采用 fp16，保存了 8 轮，最终选择第 4 轮（第 564 步）。

GPT（本版本）：从官方 s1v3.ckpt 开始，使用官方训练脚本和优化器（ScaledAdam，每 4 个批次执行一次优化器更新），批大小为 4，16 位混合精度，共 10 轮，每轮保存一个检查点。

学习率。 上游代码将 GPT 学习率固定为常数 0.002，因此每轮保存的检查点都是高学习率下的快照，拼音错误率在不同轮次之间波动（我们的训练中为 1.5–4.7%）。我们仅替换了调度器，通过启动器实现，未修改 GPT-SoVITS 源码（scripts/s1_train_annealed.py，总更新次数通过 S1_TOTAL_UPDATES 环境变量设置）：先线性预热（在 50 次优化器更新内从 1e-5 升至 2e-3），再余弦衰减至 1e-4。使用该调度后，各轮之间的波动降至 1.25–1.63%。
DPO。 官方“DPO 训练（实验性）”选项（s1 配置中的 train.if_dpo: true）会添加一项偏好损失（β = 0.2，无参考模型）：对每个批次，通过重复或删除一个随机片段构造“被拒绝”的语义序列，使模型学会减少重复音节和吞音节。
观察。 DPO 训练日志中的步数是非 DPO 训练的两倍（7769 对比 3889），学习率约在第 6 轮而非第 10 轮降至下限，原因是总更新次数（970）按非 DPO 训练设置。因此第 7–10 轮均在最低学习率 1e-4 下运行。我们没有测试重新按比例调整的调度。

比较的变体（均从 s1v3.ckpt 开始）：F / F2（恒定学习率，14 轮；F2 剔除了含“我们”的合成音频）、G-F / G-F2（相同数据，退火学习率，10 轮），以及最终发布的 **G-F2+DPO**（G-F2 加上官方 DPO，10 轮）。

训练 top-3 准确率越高，意味着记忆程度越强；未使用退火的训练持续上升至 0.79，而使用退火的训练最终约为 0.60。DPO 训练的损失包含偏好项，因此未绘制。

我们还重新训练了 SoVITS（真实录音 + 合成数据，从官方基础模型开始，共 6 轮），但未采用其结果：见评测。其日志损失为每 100 步记录一次的单批次值，噪声过大，难以解读；只有 KL 项呈下降趋势。

计算资源

一张 RTX 4060 Laptop（8 GB）。DPO GPT 训练（10 轮）耗时约 24 分钟，批大小为 4 时占用约 6.4 GB 显存；SoVITS 每轮约需 2–5.5 分钟，取决于数据规模。

评测

评测方案

候选模型与基线使用相同句子、相同参考音频和相同随机种子进行比较；所有图表均展示配对差值，以及按句子进行 bootstrap 重采样所得的 95% 区间。

测试句子： 100 个未出现在训练数据中的句子（已与台词脚本核对）；另加 12 句（6 句笑声、6 句感叹词）；最终检查另用 59 个未见句子（已与训练台词脚本及此前全部测试句子核对，额外加入笑声、叹气和情感台词）。
参考音频： 两个真实声音的场景参考（serious_script41_L0682、question_clear_script34_L0420）；根据测试集不同，每句使用 1–3 个随机种子。
指标
- 拼音错误率（PER）： 目标文本与本地 Paraformer-large 转写结果之间的不带声调拼音编辑距离；不计笑声台词。严重错误率： PER > 10% 的语句占比。
- 说话人相似度： 相对于真实录音的 ERes2NetV2 嵌入余弦相似度。
- DNSMOS（P.835）： SIG（语音失真）、BAK（背景噪声）；底噪： 非静音帧 RMS 的第 10 百分位数（dB）。
- 事件召回率： 对于同文本参考演绎中包含非语音事件（笑声、吸气、叹气）的句子，支持事件标签的语音转写服务在我们的输出中检测到的对应事件类型所占比例（此类句子共 13–16 个，使用一个参考）。
- 韵律接近度： 相对于该参考演绎的 log-F0 和能量轮廓相关性，以及语速比（区分系统的能力较弱；各版本差异约为 0.01）。
综合评分与门槛（用于选择检查点）：说话人相似度占 35%、情感 / 非语音事件占 25%、发音占 25%、干净度占 15%。每项配对差值线性映射至 0–100（50 表示与基线相同）。首先应用三项门槛：说话人相似度下降不超过 0.01、PER 上升不超过 0.3 个百分点、严重错误率上升不超过 1.5 个百分点。

结果

最终比较采用 59 个未见句子 × 2 个参考音频 × 3 个随机种子（每个系统 354 条语音）：

指标	e14（首版）	d2（上一版）	本版本
拼音错误率（不计笑声台词）	4.42%	2.41%	2.53%
严重错误率（PER > 10%）	13.0%	10.3%	11.0%
事件召回率（笑声 / 吸气 / 叹气）	0.67	0.58	0.77
说话人相似度	0.884	0.886	0.885
DNSMOS SIG / BAK	3.13 / 3.66	3.10 / 3.61	3.12 / 3.58
底噪（dB）	−57.2	−56.7	−56.6

汇总全部测试数据后的综合分：相对于 d2 为 57.4（95% 区间 48.2–67.3；119 个句子，474 对），相对于 e14 为 66.8（51.4–73.6；159 个句子，554 对）；三项门槛均通过。

如何解读。 发音、音色和干净度与 d2 持平；明显差异是笑声 / 吸气 / 叹气提示的呈现率提高了约 0.2。每项指标的区间均有重叠，因此应理解为“没有变差，且更擅长非语音事件”，而非所有方面均有统计显著的提升。PER 绝对值高度依赖句子集（简短感叹词台词较难），不能与使用其他句子集的早期报告直接比较。

各轮表现（100 个句子 × 2 个参考音频，一个随机种子，相对于 e14）：

G-F2+DPO：全部 10 轮均通过门槛，每轮发音均优于 e14，事件召回率保持在 0.62–0.84。第 2–10 轮形成平台期（综合分 59–68）。第 6 轮和第 10 轮在未见句子及新随机种子上复测，第 10 轮在汇总数据中得分更高，因此选择发布该轮。第 2 轮在首个测试集上得分最高，但在未见句子上有所回落。
G-F2（无 DPO）：从第 6 轮起，事件召回率降至 0.47–0.53，并且在未见句子上未通过严重错误率门槛。G-F 的事件召回率为 0.53–0.72，未在未见句子上复测。
F / F2（恒定学习率）：各轮之间波动较大。

重新训练的 SoVITS 未能优于随仓库发布的第 4 轮：汇总两个随机种子（424 对）后，最佳候选相对于 50 分基线的得分为 54.1（95% 区间 44.7–62.7）和 51.9（44.6–61.6）；与新 GPT 搭配后，结果有好有坏（52.7 和 44.5）。因此 SoVITS 保持不变。

本次评测的局限

仅使用两个真实参考音频；事件召回率的句子集较小；韵律指标几乎无法区分系统；综合评分权重依赖主观判断；自动指标无法检测上述电音伪影。维护者还试听了 30 条随机抽取的输出（分层随机抽取的 10 个未见句子 × 3 个随机种子），并据此接受了发布版本。

技术规格

GPT： 基于语义 token 的自回归 transformer 解码器，24 层、隐藏维度 512、16 个注意力头、前馈层维度 2048、语义词表大小 1025（1024 + EOS）、音素词表大小 732，BERT 特征来自 chinese-roberta-wwm-ext-large，训练音频最长 54 s。
SoVITS（v2ProPlus）： VITS 风格生成器，以参考音频和说话人验证嵌入（ERes2NetV2 sv/ 模型）为条件解码语义 token；输出为 32 kHz。
软件： GPT-SoVITS ea2d2a8、Python 3.10、PyTorch 2.4.0（CUDA 12.4）。硬件： 推荐 NVIDIA GPU；CPU 注意事项见上文。

许可与权利

本仓库以 Apache-2.0 发布；THIRD_PARTY.md 列出了随附第三方模型及其声明（例如，fastText 语言识别模型采用 CC BY-SA 3.0，仍遵循其自身条款）。角色、游戏和原始录音归各自权利人所有；此处权重仅为微调参数。发布生成音频或将其商业化时，你有责任遵守权利人的条款。

引用

@misc{tangyuge_gptsovits_v2proplus,
  author       = {shiqianyan},
  title        = {TangYuGe GPT-SoVITS v2ProPlus},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/shiqianyan/TangYuGe-GPT-SoVITS-v2ProPlus}}
}
@software{gpt_sovits,
  author = {RVC-Boss and contributors},
  title  = {GPT-SoVITS},
  url    = {https://github.com/RVC-Boss/GPT-SoVITS}
}

感谢 GPT-SoVITS、Chinese-BERT-wwm、chinese_speech_pretrain、3D-Speaker、g2pW 和 fastText。

模型卡联系渠道

请在本仓库发起 Discussion。

中文摘要

本仓库是基于 GPT-SoVITS v2ProPlus 微调的唐语歌（《夏日花火》角色）中文语音合成模型，仓库自带推理所需辅助模型和继续训练用的官方底模，下载后即可使用。当前版本：GPT 为 weights/tangyuge_v2pp_dpo-e10.ckpt（真人 + TTS 合成教师集，学习率余弦退火，官方 DPO，第 10 轮），SoVITS 沿用第 4 轮。

用法：按上文 快速上手 安装；每次合成必须使用场景 reference 及其配对的 prompt_text（见 manifests/references.yaml），换 reference 时同时换文本；默认采样 top_k=5 / top_p=0.8 / temperature=0.7。已有 GPT-SoVITS 环境的话，用 --exclude "GPT-SoVITS-overlay/*" 只下载权重与脚本即可。
相对上一版（d2）：发音、音色、干净度持平；笑声 / 吸气 / 叹气的事件召回 0.58 → 0.77；综合分 57.4（95% 区间 48.2–67.3）。各区间互相重叠，不要理解为“全面显著更好”。
已知问题：短句偶发提前结束；严肃类 reference 下仍可能有轻微电音 / “含东西”的口腔感（机器指标测不出，本版没有声称改善）；笑声没有专用 token，只能靠嘻嘻 / 哈哈 / 唉等文本诱发；CPU 推理需关闭 oneDNN。
完整中文训练与评测报告：manifests/training_report.md。旧版权重按标签取回：v2pp-d2-20261022、v2pp-e14-20261020。

Downloads last month: -; Downloads are not tracked for this model. How to track

Model tree for shiqianyan/TangYuGe-GPT-SoVITS-v2ProPlus

Base model

lj1995/GPT-SoVITS

Quantized

(5)

this model