最近刷B站，GPT-SoVITS的存在感强得离谱：荧妹读书系列已经用AI配音读完了《北境秘史》。哔哩哔哩有人给狂三训了个AI语音模型住进我的世界，还有人拿它接DeepSeek做会斗嘴的AI桌宠。哔哩哔哩但真轮到自己上手，很多人卡在了第一步——版本。
打开GitHub你会看到一串让人头大的名字：v2、v3、v4、v2Pro、v2ProPlus，连训练和推理页面上都要先选一遍版本。按常理，装最新的v4总没错吧？
还真不一定。这篇把官方仓库、发布记录和B站社区的实际用法翻了个底朝天，给你一次说清楚：2026年的GPT-SoVITS，到底该装哪个版本、怎么装、你的设备扛不扛得住。
先说最反常识的结论：官方对v2Pro的定位原话是"比v2略高的显存占用，超过v4的性能，保持v2的硬件成本和速度"。GitHub也就是说，版本号看着"老"的v2Pro系列，官方自己都承认性能压过了更新的v4。社区更是直接用脚投票——B站能翻到的高热度角色语音模型分享，几乎清一色是v2Pro/v2ProPlus：千早爱音等8人模型3100多赞，洛琪希模型2400多赞、3900多收藏，魔女审判全员模型1800多赞。哔哩哔哩用v4发的角色模型，屈指可数。
为什么会这样？官方README里其实写了原因：v1/v2/v2Pro是一派，v3/v4是另一派。普通音质的训练集，v2Pro能训出像样的结果，v3/v4不行。GitHub而且v3/v4合成的语调音色会明显偏向参考音频，而不是整个训练集的平均状态。对大多数人来说，手头能搞到的角色语音素材质量参差不齐，这一下就决定了v2ProPlus是更稳的选择。
那v4是不是白做了？也不是。v4修复了v3的金属音问题，原生输出48k音频（v3只有24k）。语雀作者自己说v4是v3的直接替代品。如果你对音质有硬要求、训练素材质量够硬，或者要做数字人这类场景（社区里几个数字人系统就是基于v4），v4才值得上。另外提醒一句：搜"v4pro"的朋友别找了，官方没有这个版本，那是第三方整合包自己起的名字。
第二个信息差更隐蔽：GPT-SoVITS的版本号已经停在2025年6月的v2pro整整一年多了，但项目根本没停更。我查了主分支的提交记录，就在2026年4月底，官方合入了CUDA graph支持，提交说明原话是"普通推理模式推理速度原地翻倍，效果不变"。GitHub6月又升级了FunASR，新增Fun-ASR-Nano和SenseVoice两个ASR后端，训练时的语音转文本环节直接受益；就在前几天还在修bug。
问题在于：大多数人装的是官方整合包，而官方整合包对应的是2025年6月的代码。也就是说，你手上的GPT-SoVITS可能白白慢了接近一倍。想吃上这些更新，要么自己git pull拉最新代码，要么找社区持续维护的整合包。顺带一提，官方README里还有一句很有意思的话：“请不要尬黑GPT-SoVITS推理速度慢，谢谢！”——v2ProPlus在4060Ti上RTF是0.028，4090上0.014，1400字大概4分钟的音频，4090推理只要3.36秒。GitHub速度真不慢，慢的多半是你的版本太旧。
说到这，给不同人群一个直接的版本选择结论：
纯玩角色模型的下载党，不用纠结，别人分享的v2ProPlus模型就用v2ProPlus环境。官方整合包下载走魔搭直链、HuggingFace国内镜像或百度网盘三个源。GitHub解压后双击根目录的go-webui.bat就能打开网页端，模型文件丢进对应的weights文件夹刷新即可。
只推理不训练的，还可以走推理特化包路线，内置模型库支持一键下载社区分享的角色模型。语雀省去自己搭环境的麻烦。
自己训练音色的，素材质量一般就选v2ProPlus，素材干净、追求48k音质再考虑v4。训练没本地显卡的，可以走云平台，官方README直接给了AutoDL的云端Docker入口，解压级部署。
做有声书、短视频批量配音的，v2ProPlus加上社区的批量工具是主流玩法，注意新版代码的ASR后端对长文本处理更友好。
没有N卡的也别急着放弃：官方测试环境支持Apple Silicon和纯CPU，社区还有专门的CPU优化版项目（GPT-SoVITS-CPUFast）；甚至有人把整个GPT-SoVITS搬进了安卓——一个14岁的开发者写了GSV Mobile，不用proot、原生Kotlin实现，支持V2 Pro Plus和V4，骁龙8 Gen 3及之后部分平台的NPU路线也在做，项目在GitHub上GPL-3.0开源。哔哩哔哩手机跑TTS离实用还有距离，但方向挺让人兴奋的。
最后泼两盆必要的冷水，都来自社区的真实反馈。
一是稳定性。GPT-SoVITS老玩家都懂"抽卡"：偶尔某句话不念、长句读到一半罢工，评论区里一堆人感同身受。哔哩哔哩缓解办法官方教程里也写了：合成别贪长，实测4090一口气约1000字就开始胡言乱语，建议切分生成。语雀推理页的top_k、top_p、temperature这些参数控制随机性，拿不准就保持默认，并行推理和数据分桶勾上能快不少。
二是对手真的来了：在B站一个160多条评论的三模型对比视频里，社区的共识大致是——GPT-SoVITS音色还原最能打，情绪大起伏表现最好但容易哑；CosyVoice2听着最自然、最不像AI；IndexTTS2强在时长和情感控制，适合解说配音。哔哩哔哩没有全能冠军，按场景选。
还有一条红线必须说：社区分享模型的UP主几乎都会附上同一句话——不要盗卖，不要用于商业、R18及法律范围外的用途。哔哩哔哩训练别人角色的声音模型玩玩二创没问题，但拿去商用或冒充真人，就不是"开源精神"能罩得住的了。
总结一下：2026年装GPT-SoVITS，默认选v2ProPlus，有音质刚需再上v4；装完记得更新代码或找新整合包，别浪费那一倍的推理速度；没显卡走云端，Mac和CPU也有路可走。这个一年多没更版本号的项目，社区比任何时候都热闹——现在上车，正是好时候。
