训练

训练 页用你自己的录音微调模型。它分两步：

1. 数据集：同一个音色的若干片段及其文本。
2. 实验：选一个起始模型和训练方式，在数据集上逐阶段运行该引擎自己的微调流程（由 Mizuoto 实现）。结果是音色的专属权重（加到音色库中的某个音色上）或一个新模型（出现在 模型 页）。

页面顶部的标签页在 实验 和 数据集 之间切换，右侧是 新建实验 或 新建数据集。

能训练什么复制锚点链接

训练方式的名称和阶段名称来自引擎的说明文件，界面中显示为英文。

训练不需要 Mizuoto 和 torch 之外的任何东西：所有训练方式都在 Mizuoto 自己的 Python 中运行，每个阶段一个单独的进程。有的方式需要只在训练时用到的共享文件，例如 GPT-SoVITS 的预训练判别器（mizuoto asset download gptsovits/s2d-v2pro）。缺少什么时，新建实验对话框会把这种方式标为 不可用，并写明要运行的命令。

数据集复制锚点链接

新建数据集复制锚点链接

1. 在 数据集 标签页点 新建数据集。
2. 填写 数据集名称、选择 语言，可选填写 描述。
3. 点 创建，打开数据集页。

数据集保存在数据文件夹的 datasets/<名称>/ 中：dataset.json、每行一个片段的 manifest.jsonl，以及 audio/ 中的 FLAC 片段。

添加片段复制锚点链接

数据集页的 添加片段 部分提供几种来源：

• 音频文件或录音：拖放、选择文件、录音，或 服务器文件。可以在 说话人 中写明这些片段是谁说的（可选），然后点 添加（N）。
• 某个音色的片段：选择音色库中的一个音色，点 添加，加入它的参考音频及文本。
• 之前的结果：从合成结果中挑选。结果会带着它的许可标记加入；许可不允许用来训练其他引擎的结果（例如 Fish Speech 的结果），训练时会被拒绝。
• 添加服务器文件夹（只在服务器本机的浏览器中出现）：先选择 文件夹格式，再选择文件夹：

预处理复制锚点链接

在停顿处切分长录音，用语音识别补全缺失的文本，并统一音量。添加片段后运行。

点 开始预处理，它作为一个任务运行，进度显示在下方。

检查报告复制锚点链接

预处理后（或有片段时）显示 检查报告：

• 可用片段：可用数/总数 · 时长；
• 片段时长 的直方图；
• 问题列表：过短、过长、缺少文本、削波，每一项旁的 查看 会只列出这些片段；
• 其他提示，以及 片段的许可证。

编辑片段复制锚点链接

片段 列表每页 50 条，可以搜索文本或按问题筛选。每条片段：

• 播放按钮和时长；
• 文本框（标签为说话人名，没有文本时提示 没有文本：请转写或手动输入），改完点保存按钮或按回车；
• 用于训练 / 不用于训练：排除的片段保留在数据集中但不参与训练；
• 删除按钮。

详情 中可以修改名称、语言和描述。页面底部有 删除（移到回收站；用它建立的实验将无法再运行）和 用它训练（以这个数据集新建实验）。

实验复制锚点链接

新建实验复制锚点链接

1. 在 实验 标签页点 新建实验（或在数据集页点 用它训练）。
2. 起始模型：只列出可以训练的已安装模型。没有时提示安装可训练的模型。
3. 训练方式：这个模型可用的方式；不可用的带有 （不可用） 并写明原因（缺少共享文件、引擎不可用或在远程主机上等）。下方显示这种方式的说明、阶段、结果类型（生成音色专属权重 或 生成新模型）和所需的最少语音时长。
4. 数据集；数据集中可用的语音时长不足时，创建会失败，并说明现有与所需的时长。
5. 实验名称：默认是“数据集-模型”，只能用字母、数字、-、_ 和 .。
6. 结果是音色权重时，还有 权重所属音色：选音色库中的一个音色，或 新建音色（用数据集中三段 3 到 10 秒的片段新建一个）。
7. 主要设置（轮数、学习率等）可以在这里修改，更多设置（包括高级设置）在实验页面中。
8. 点 创建。

实验保存在 experiments/<引擎>/<名称>/ 中。

阶段复制锚点链接

实验页上方显示起始模型、数据集、结果类型和语言。阶段 部分是一排步骤，每个阶段的状态为 未运行、运行中、已完成、已过期 或 失败。

点一个阶段查看它的说明、完成时间和结果；失败时显示错误。

一次运行是一个 训练 任务，它的步骤就是各个阶段，任务卡片显示在阶段下方。

已过期：每个完成的阶段都记录了它读取的内容——数据集、起始模型的版本和它用到的设置，以及之前阶段的结果。这些内容变化后，这个阶段及其后的阶段都标为 已过期（此阶段运行后，它读取的内容（数据集、模型或它用到的设置）已改变：请重新运行。）。重新运行某个阶段时，它之后已完成的阶段也会过期，因为它们读的是这个阶段的旧文件。

损失曲线复制锚点链接

损失 部分在训练阶段运行时实时显示曲线；有多个训练阶段时可以切换，有多条曲线时可以用标签逐条开关。还没有数据时显示 训练阶段运行时，损失曲线显示在这里。

设置复制锚点链接

设置 中是这种训练方式的超参数（数字输入框），高级 中是其余的。修改设置会使用到它的阶段及其后的阶段过期。 改完点 保存。

试听与导出复制锚点链接

• 试听：导出阶段会用训练结果朗读一段（设置 › 训练 › 训练后合成试听 打开时），结果列在这里。
• 已导出：导出的 音色（可以 打开 或 在合成中使用）或 模型（点 模型 跳到模型页）。导出的权重会加到所选音色上；导出的新模型以 引擎/名称 出现在模型列表中。

页面底部的 删除 把实验及其工作文件移到回收站，已导出的内容保留。

CPU 与 GPU复制锚点链接

• 微调实际上需要 GPU。按 内存 设置，各微调在其配方默认批大小下能运行的最小显卡如下（峰值在 RTX 3090 上测得，加上估算的余量：多一成再加 512 MB）：

• 所有引擎也都能在 CPU 上训练，适合用很少的数据和步数确认流程能走通。
• 设置 › 训练 中还有 训练精度、每次运行保留的检查点数 和 内存：标准 按各配方训练；低 加上梯度检查点（反向传播时重新运行模型的每个块，而不保留其激活值），并把用不到的部分移出 GPU，结果相同，每步慢几个百分点到一倍（在 RTX 3090 上测得：F5-TTS +6 %、VoxCPM +51 %、Qwen3-TTS +80 %、OmniVoice +104 %）；最低 还把优化器状态放在内存中，并从内存流式加载 LoRA 的冻结权重，结果略有不同。方法自己的 gradient_checkpointing 超参数优先。
• 在 GPU 上精确复现微调（training.deterministic，默认关闭）：在 GPU 上，同一个实验运行两次得到的权重略有不同，因为用原子操作求和的内核（许多反向传播中都有，还有 SDPA 融合注意力的反向传播）每次相加的顺序不同。GPT-SoVITS 的损失在几步之后就会分开；Fish Speech 的 LoRA 在最后几位上不同。开启后，每个阶段都使用 torch 的确定性内核，并且除非 注意力 指定了某个后端，否则使用 math 注意力内核：两次运行完全相同（两者都在 RTX 3090 上验证过）。代价是一些时间（测试用的微调，预热后：GPT-SoVITS 30.6 → 34.7 s，Fish Speech 41.1 → 43.0 s），以及长序列上 math 内核所需的显存。在 CPU 上，微调总能复现。
• 为新实验选择方法时，对话框会显示每种内存设置下一次运行大约需要多少显存；估计超过 GPU 空闲显存的运行会在日志中说明，并给出放得下的设置；没有设置能解决时，给出更小的 batch_size（Fish Speech 的 LoRA 在默认批量 4 下需要超过 24 GB 显存；3 可以放下）。在 GPU 上，每个记录的步骤还会报告 memory/peak_mb，即实际用量。

命令行复制锚点链接

mizuoto dataset create Narrator --lang zh
mizuoto dataset add narrator recordings/          # 与音频同名的 .lab 或 .txt 即其文本
mizuoto dataset import narrator ljspeech/ --layout ljspeech
mizuoto dataset prepare narrator                  # 切分、转写、统一音量
mizuoto dataset check narrator
mizuoto asset download gptsovits/s2d-v2pro        # v2Pro 的预训练判别器
mizuoto train methods gptsovits/v2pro-base        # 可用的训练方式及其设置
mizuoto train new narrator --base gptsovits/v2pro-base --dataset narrator --hp sovits_epochs=8
mizuoto train run narrator                        # 从第一个未完成的阶段继续
mizuoto train run narrator --stage <阶段id>       # 只运行某个阶段
mizuoto train metrics narrator