GPT-SoVITS文本转音频srt

### 使用GPT-SoVITS进行文本转语音并生成SRT文件

#### 准备工作
为了使用GPT-SoVITS将文本转换为语音并生成SRT字幕文件，需先完成环境配置。确保已安装Windows整合包，并按照说明启动WebUI[^5]。

# 解压下载的文件至指定位置
unzip gpt-sovits-windows.zip -d ./sovits-env/
cd sovits-env/

# 启动web界面
./go-webui.bat

访问`http://localhost:9874/`进入操作面板，在“1-GPT-SoVITS-TTS”页面准备后续步骤所需资源。

#### 创建映射列表
创建`.list`格式的文本注释文件用于定义待合成语句的信息。每一行应遵循如下结构：

audio_path|speaker_name|language|text_to_convert

此文件不仅指导模型理解要转化的内容还指定了说话者身份和语言种类[^1]。

#### 执行文本到语音转换
上传之前制作好的`dataset_mapping.list`文件以及对应的音频素材库给平台处理。利用“1A-训练集格式化工具”的选项执行必要的预处理动作；随后切换至“1C-推理”部分实施实际的文字发音转变过程。

对于每次想要转换的新句子，都应当单独形成一行记录追加进现有的列表文档里再重复上述流程直至全部内容被转化为相应的语音样本。

#### 生成SRT字幕文件
当所有目标文字均已成功转变为声音之后，收集这些输出片段并与原始时间轴相匹配从而构建起完整的字幕描述。假设有一个Python脚本来辅助这项任务，则可能看起来像这样:

def create_srt(timings, texts):
    with open('output.srt', 'w') as f:
        for i, (start_time, end_time) in enumerate(timings):
            text = texts[i]
            entry = f"{i + 1}\n{format_time(start_time)} --> {format_time(end_time)}\n{text}\n\n"
            f.write(entry)

def format_time(seconds):
    m, s = divmod(int(seconds), 60)
    h, m = divmod(m, 60)
    ms = int((seconds % 1) * 1000)
    return "{:02}:{:02}:{:02},{:03}".format(h, m, s, ms)

timings = [(0.5, 3.2), (4.1, 6.7)]  # 示例时间段
texts = ["这是第一条消息", "这里是第二条"]  # 对应的消息体
create_srt(timings, texts)

这段代码接收两个列表作为输入参数：一个是表示各段落开始结束时刻的时间戳数组；另一个则是对应于各个时段内的显示文案集合。最终它会写出符合标准格式要求的SRT文件保存下来供进一步应用或编辑之用。