Bert-VITS2：以多語言 BERT 為骨架的 VITS2 變體，以及它為何停止維護
vits2 backbone with multilingual-bert
秒懂
- 它是什麼？
- fishaudio 的 Bert-VITS2 把多語言 BERT 嵌入 VITS2 的對齊與音色建模流程，曾在中文與日文語音合成社群中引起注意。但專案已宣告短期內不再維護，轉而推薦自家的自回歸模型 Fish-Speech。本文從 README、發布標籤與儲存庫結構出發，拆解它的做法、限制與替代選擇。
- 適合誰用？
- Bert-VITS2 適合想快速取得中文或日文語音合成模型、且能接受 AGPL-3.0 授權條件的個人開發者或研究用途。它不適合需要長期穩定維護、想部署到商業閉源產品、或需要即時自回歸生成能力的團隊，因為官方已明確表示短期內不再維護，且推薦改用 Fish-Speech。
- 可以商用嗎？
- 可以，但條件嚴格。AGPL-3.0 是網路 copyleft 授權：如果別人透過網路使用你修改過的版本（例如作為託管服務），你必須以同一授權向他們提供原始碼。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 1 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
它解決什麼問題，又是寫給誰的
Bert-VITS2 的核心主張很直接：以 VITS2 為骨架，把多語言 BERT 的語意表示引入語音合成。傳統 VITS 系列依賴文字轉音素的對齊與單純的聲學建模，遇到同音字、多音字或語境依賴的發音時，容易產生誤讀。Bert-VITS2 的做法是用 BERT 的上下文向量來輔助模型理解整句話的意思，進而改善發音與韻律。README 開頭就點出靈感來自 anyvoiceai/MassTTS，並說自己是在嘗試 MassTTS 後，發現其音質與 VITS 有差距、訓練流程又更複雜，才回頭按照 MassTTS 的思路把 BERT 整合進 VITS。這個專案的目標讀者不是一般使用者，而是願意自己讀代碼、自己處理訓練細節的開發者。README 那句「成熟的旅行者/開拓者/艦長/博士/sensei/獵魔人/喵喵露/V 應當參閱代碼自己學習如何訓練」，語氣戲謔，但意思很明確：這裡沒有傻瓜式教學，你要自己動手。
從 VITS2 到 BERT：實際的機制與資料流
從儲存庫名稱與 README 的引用清單可以看出，Bert-VITS2 不是從零打造的模型，而是把多個既有專案的元件拼起來。它引用 jaywalnut310/vits 與 p0p4k/vits2_pytorch 作為 VITS2 的基礎，引用 PaddlePaddle/PaddleSpeech 與 emotional-vits 來補齊語者嵌入與情感相關的處理，而 BERT 的部分則明確說明代碼思路來源於 MassTTS。在實際運作時，輸入文字會先經過 BERT 編碼，產生一組帶有上下文語意的向量，再把這些向量與傳統的文本特徵一起送入 VITS2 的對齊與解碼器。這與純粹的 VITS2 不同，後者只依賴音素序列，缺乏對整個句子語意的掌握。多語言 BERT 的引入，讓模型在中文、日文等語言上能共享部分語意表徵，理論上可以減少對大量標註資料的依賴。不過，README 沒有提供任何架構圖或前向傳播的細節，實際的融合方式、特徵拼接的位置、是否影響對齊頭，都需要直接閱讀代碼才能確認。
動手前的準備：從 webui_preprocess.py 開始
README 反覆提到同一個檔案：webui_preprocess.py。它說「For quick guide, please refer to webui_preprocess.py」，並附上中文說明「簡易教程請參見 webui_preprocess.py」。這暗示整個專案的進入點是網頁介面的預處理腳本，而不是傳統的訓練命令。從發布標籤來看，專案有 Extra（中文特化版）、Extra-v2（中文特化修復版）與 JP-Exta（日文特化版），每個版本對應不同的語言與資料處理方式。也就是說，你必須先決定要訓練哪種語言，再使用對應的預處理腳本來準備資料集。訓練流程本身並未在 README 中詳細列出，沒有給出 pip install 的指令、沒有 requirements.txt 的內容、也沒有示範如何啟動訓練。這是一個明顯的門檻：如果你不熟悉 VITS2 的訓練慣例，或沒有看過相關的教學影片（README 附了兩個 Bilibili 連結，一個是 demo，一個是 tech slides），你可能會卡在環境建置階段。
授權與維護現況：AGPL-3.0 與停止維護的現實
Bert-VITS2 採用 AGPL-3.0 授權。這對開源專案來說是強勢的 copyleft，意思是如果你修改了代碼並提供網路服務，你必須公開完整的修改後源碼。對於只想把模型嵌入內部工具、不打算公開程式碼的團隊，這是一個需要謹慎評估的點。更關鍵的是，README 在專案推介段落直接寫道：「FishAudio 下的全新自回歸 TTS Fish-Speech 現已可用，效果為目前開源 SOTA 水準，且在持續維護，推薦使用該項目作為 BV2/GSV 的替代。本項目短期內不再進行維護。」這句話等於官方自己宣告了專案的終點。最後一次 push 是 2026-09-07，但那是 README 更新或合併貢獻，不改變「短期內不再維護」的聲明。如果你打算採用 Bert-VITS2，你必須接受這個專案不會有新的功能、不會有針對新 PyTorch 版本的相容性修復，也不會有人幫你修 bug。
發布版本的差異與語言的適用邊界
三個發布標籤透露了語言的適用範圍。Extra 是「中文特化版本」，Extra-v2 是「中文特化修復版」，JP-Exta 是「Japanese Specialized Version」。這表示 Bert-VITS2 的多語言能力並非單一模型覆蓋所有語言，而是針對主要語言各自訓練特化版本。中文版有修復版，代表原始 Extra 可能存在某些問題，但 README 沒有說明修復了什麼。日文版的名稱 JP-Exta 拼法不一致（應為 Extra 但寫成 Exta），這類細節暗示專案的發布流程並不嚴謹。如果你需要的是純英文或歐洲語言的合成，這三個版本都不直接支援，你需要自己尋找或訓練對應的模型。此外，這些版本都是 2024 年初的產物，距今已有一段時間，與目前主流的 TTS 技術（例如自回歸模型）相比，在自然度與即時生成能力上可能已經落後。
真正的替代方案：Fish-Speech 與 MassTTS
README 自己推薦的替代方案是 Fish-Speech，同樣屬於 fishaudio 組織。Fish-Speech 是自回歸 TTS，與 Bert-VITS2 的非自回歸 VITS2 骨架有本質上的差異。自回歸模型逐幀生成音訊，能捕捉更長期的依賴，但生成速度較慢；VITS2 這類非自回歸模型是一次性生成整個序列，速度快但可能缺少細微的韻律變化。README 宣稱 Fish-Speech 是「目前開源 SOTA 水準」，且「持續維護」，這與 Bert-VITS2 的停止維護形成對比。另一個參考點是 anyvoiceai/MassTTS，Bert-VITS2 的 BERT 思路來源於此。MassTTS 的 demo 在 Bilibili 上有影片，但 README 沒有提供技術細節。若你重視的是維護週期與社群活躍度，Fish-Speech 是官方背書的選擇；若你偏好非自回歸的生成效率，且願意自己維護，Bert-VITS2 仍然可用，但你要承擔所有後續的相容性問題。
錯誤的使用場景與潛在的失敗模式
Bert-VITS2 不是萬用工具。首先，它不適合需要即時合成的互動應用，因為 VITS2 架構雖然比自回歸快，但 README 沒有提供任何延遲數據，且訓練與推論的 pipeline 並非為低延遲設計。其次，它不適合政治相關用途，README 明確寫道「嚴禁用於任何政治相關用途」，這是一個法律與倫理上的紅線，你必須遵守。第三，訓練資料的品質直接影響結果，BERT 的語意理解能力再強，如果輸入的錄音有雜訊、標註不一致，模型照樣會產生錯誤發音。最後，由於專案不再維護，當你升級 PyTorch 或 CUDA 版本時，可能會遇到無法解決的相依性衝突，而官方不會提供修復。若你的團隊沒有足夠的 PyTorch 內部知識來自行除錯，這個專案很可能會變成一個時間黑洞。
編輯結論
Bert-VITS2 適合想快速取得中文或日文語音合成模型、且能接受 AGPL-3.0 授權條件的個人開發者或研究用途。它不適合需要長期穩定維護、想部署到商業閉源產品、或需要即時自回歸生成能力的團隊，因為官方已明確表示短期內不再維護，且推薦改用 Fish-Speech。採用前應先確認三件事：其一，你的使用場景是否符合 AGPL-3.0 的衍生作品規範；其二，你是否願意自行承接訓練 pipeline 的除錯與資料清理工作，因為 README 明說「成熟的旅行者……應當參閱代碼自己學習如何訓練」；其三，若需要日文支援，請確認 JP-Exta 版本與你的 PyTorch 環境相容。若你追求的是持續更新與社群支援，直接評估 Fish-Speech 會比接手一個已停止主動開發的專案更實際。
社群筆記