So-VITS-SVC与GPT-SoVITS

So-VITS-SVC与GPT-SoVITS完全不是同一个东西。

虽然名字里都有 So-VITS，但它们的核心功能截然不同。简单一句话总结区别：

• So-VITS-SVC 是 “变声器”（输入音频 $\to$ 输出音频）。
• GPT-SoVITS 是 “朗读者”（输入文字 $\to$ 输出音频）。

以下是详细对比，以及它们在你想做的“换台词”这件事上的不同作用：

1. So-VITS-SVC (SoftVC VITS Singing Voice Conversion)

• 核心功能： SVC（歌声转换/变声）。
• 工作原理： 它不认识文字。它需要你喂给它一段现成的录音，然后它把这段录音的音色替换成目标角色的音色，但保留原录音的语调、音高、节奏。
• 主要用途：
  • 做“AI孙燕姿”、“AI陈奕迅”翻唱歌曲。
  • 实时变声器（把男声变成女声）。
• 目前地位： 它是2023年上半年最火的AI翻唱工具，但现在已经被 RVC (Retrieval-based Voice Conversion) 取代了。RVC 效果更好、训练更快。
• 对你的用途： 如果你想用它改台词，你必须先自己录一段新台词，然后用它把你的声音变成角色的声音。（这就是我上一条回答里提到的“真人+RVC”方案，只不过现在大家多用RVC，不用So-VITS-SVC了）。

2. GPT-SoVITS

• 核心功能： TTS（文字转语音）。
• 工作原理： 它结合了 GPT（理解语义和韵律）和 VITS（生成高质量波形）。你输入文字，它生成声音。
• 主要用途：
  • 做广播剧、有声书。
  • 给视频配音（不需要真人录音，直接打字）。
  • 少样本克隆： 只需要几秒钟的原声，就能立刻打字让它说话。
• 目前地位： 目前开源界最强的中文语音克隆工具，语气模拟非常逼真。
• 对你的用途： 如果你不想自己配音，只想打字生成新台词，就用这个。

---

名字为什么这么像？

因为它们都基于 VITS (Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech) 这个底层技术架构。

• So-VITS-SVC 把 VITS 改造成了只做“声音转换”的工具（去掉了文本处理部分，加强了音频特征提取）。
• GPT-SoVITS 把 VITS 和 GPT 模型缝合在一起，让它既能理解文字（GPT），又能生成高质量声音（VITS）。

总结：你要选哪个？

回到你最初的需求 “视频不动，改台词，保留语调语气”：

工具	操作方式	优点	缺点	推荐指数
GPT-SoVITS	打字	操作简单，不需要你演技好，音色很像。	很难完美卡上原视频的口型和气口，节奏容易不对。	⭐⭐⭐ (适合懒人)
So-VITS-SVC (或 RVC)	真人配音	节奏、喘息、情绪可以100%还原（取决于你的模仿能力）。	需要你自己先演一遍录下来，比较麻烦；且SVC已过时，建议用RVC。	⭐⭐⭐⭐⭐ (适合追求完美)

一句话建议：
别用 So-VITS-SVC 了，它已经停止维护了。

• 想打字生成：用 GPT-SoVITS。
• 想真人模仿变声：用 RVC。