终于等到！这个开源语音模型能凭空捏造声音，8GB显存就能跑
摘要：VoxCPM2 开源了，我第一时间试了下，确实有点东西。不用参考音频就能凭空造声音，方言克隆也挺像那么回事，关键是本地部署门槛不高。这篇文章记录了我的安装和使用过程，给想玩的朋友做个参考。
目录
VoxCPM2 是啥玩意儿
前几天刷 GitHub 看到 VoxCPM2 开源了，说是语音大模型，我寻思着下载下来试试。用下来感觉这玩意儿确实有点意思，特别是那个"凭空捏造声音"的功能，挺好玩的。
这玩意儿跟传统的语音合成不太一样。以前那些模型都得先搞个分词器（Tokenizer），把声音切成一段一段的，结果就是生成的声音总有点机械感。VoxCPM2 直接抛弃了这套路，用的是端到端连续表征，说白了就是让模型自己学着理解声音的连续性。
实际效果就是：生成的声音情感、气息这些细节保留得比较好，听起来没那么假。
我试了下，它支持 30 种语言，还有 9 种国内方言，像四川话、粤语这些都能克隆。不过方言克隆有个前提——你得输入地道的方言文本，不然它也不知道你要啥味儿。
安装过程实录
本地部署（真的一行命令）
官方说一行命令就能装，我还真试了下，确实没骗人：
pip install voxcpm
就这么简单。不过前提是你要装好 Python 环境，这个我就不多说了，搞开发的应该都有。
硬件要求：
- 显存：8GB 起步（我用的是 RTX 3060 12GB，跑得挺顺）
- 内存：建议 16GB 以上
- 系统：Windows、macOS、Linux 都支持
安装完首次启动，它会自动下载模型文件，大概几个 GB，网速慢的话得等会儿。我家里宽带 100M，下了差不多 10 分钟。
不想部署？有在线版
如果你嫌配环境麻烦，或者电脑配置不够，可以去他们的在线体验站试试。不过在线版肯定有限制，比如时长、次数啥的，具体我没细看，反正我本地能跑就直接本地跑了。
核心功能实测
装好之后，我挨个试了下主要功能，下面说说实际体验。
功能一：Voice Design（凭空造声音）
这个功能是我最感兴趣的——不需要任何参考音频，直接用文字描述就能生成声音。
界面挺直观的，左边输入框写描述，右边调参数。我试了几个：
测试1：暴躁中年男声
提示词：暴躁的中年男声，语速快，带点不耐烦
文本：这事儿我跟你说了多少遍了，怎么还犯这种错误？
生成出来的声音还真有那么点意思，语速确实快，语气也挺冲的，听着就像那种不耐烦的老板在训人。
测试2：温柔女主播
提示词：温柔的女声，语速中等，带点甜美
文本：欢迎收听今天的节目，我是您的主持人。
这个也挺像那么回事，声音确实比较柔和。不过我觉得跟真正的主播比还是差点味道，但作为 AI 生成已经不错了。
参数调节：
界面右边有几个滑块：
- 语速（0.5x - 2.0x）
- 音调（低 - 高）
- 情感强度（平淡 - 强烈）
- 停顿节奏（紧凑 - 舒缓）
这些参数可以微调，我一般先用默认值，听一遍再根据需要调整。
功能二：声音克隆（5秒音频就够了）
这个功能更实用——给一段 5 秒以上的纯净音频，它就能克隆出类似的声音。
我拿自己的声音试了下：
步骤：
- 用手机录了段 10 秒的语音（“你好，这是声音克隆测试”）
- 上传到 VoxCPM2
- 输入要生成的文本
- 点击生成
效果：
克隆出来的声音确实有点像我的，特别是音色那块儿。不过细听还是能听出区别，主要是语调和节奏不太一样。但总体来说，已经能达到"以假乱真"的程度了。
方言克隆测试：
我又找了个四川话的样本（我室友录的），试了下克隆四川话：
原始音频：10秒四川话（"你搞啥子嘛，快点儿过来"）
生成文本：今天天气好得很，我们出去耍嘛
生成的效果听着还挺有四川味儿的，我室友听了说"有点像那么回事"。不过他说有些字的发音还是不太地道，这个我估计得需要更高质量的样本才能更好。
克隆技巧：
- 音频要纯净（别带背景音乐和噪音）
- 时长 5-30 秒最佳
- 说话人语速、情绪要稳定
- 可以通过提示词调整情绪（比如"生气的"、“开心的”）
功能三：ComfyUI 集成（工作流自动化）
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传
如果你用 ComfyUI，可以把 VoxCPM2 集成进去，做成自动化工作流。
我配置的流程：
- 文本输入节点（输入要合成的文字）
- VoxCPM2 节点（加载模型、生成语音）
- 音频输出节点（保存为 WAV/MP3）
这样配置好后，每次生成语音就点一下执行就行，不用反复操作界面，批量生成视频配音的时候特别方便。
配置方法：
# 安装 ComfyUI VoxCPM2 节点
cd ComfyUI/custom_nodes
git clone https://github.com/xxx/ComfyUI-VoxCPM2
pip install -r requirements.txt
（具体节点地址我记不太清了，可以去 GitHub 搜一下）
功能四：48kHz 高保真输出
这个功能对做音频后期的人来说挺重要的。VoxCPM2 支持 48kHz/24-bit 的录音室级音质，我导出来用 Audacity 看了下频谱，确实挺干净的。
对比测试：
- 22kHz 版本：听着还行，但高频部分有点糊
- 44.1kHz 版本：CD 音质，够用了
- 48kHz 版本：细节更丰富，适合专业用途
不过高音质也意味着文件更大，48kHz 的文件体积是 22kHz 的两倍多。如果就是做个短视频配音，22kHz 或 44.1kHz 就够了，没必要上 48kHz。
一些使用心得
用了一周，说说我的感受吧。
优点：
- 安装简单：pip install 就完事儿，不像有些 AI 工具配环境配半天
- 门槛不高：8GB 显存就能跑，我的老 3060 也能用
- 功能实用：Voice Design 和声音克隆都挺好用
- 音质不错：48kHz 输出确实专业
- 方言支持：四川话、粤语这些都能克隆，这点挺难得
不足：
- 方言需要地道样本：如果样本不地道，生成出来也不像
- 情感控制还不够精细：虽然能调参数，但想精确控制某个词的情绪还是有点难
- 长文本偶尔卡顿：超过 500 字的文本生成时，偶尔会卡一下，不知道是不是我电脑的问题
- 文档以英文为主：中文文档不够全，有些高级功能得看英文文档
适用场景：
我觉得 VoxCPM2 适合这些人：
- 视频创作者（需要配音但又不想自己录）
- 播客制作人（生成片头片尾）
- 游戏开发者（NPC 语音）
- 有声书制作（批量生成章节）
- 方言保护（记录和克隆方言）
不太适合的：
- 追求完美音质的专业配音（目前还是不如真人）
- 需要实时合成的场景（生成速度还不够快）
性能数据：
我简单测了下性能（RTX 3060 12GB）：
| 文本长度 | 生成时间 | 显存占用 |
|---|---|---|
| 50字 | 约5秒 | 6GB |
| 200字 | 约15秒 | 7GB |
| 500字 | 约40秒 | 8GB |
生成速度还行，但不是实时的。如果要做长音频，建议分段生成再拼接。
一些坑：
- 首次启动慢：第一次运行要下载模型，耐心等待
- 中文文本要用中文标点：我用英文逗号它识别不了，换成中文就好了
- 特殊字符会报错：文本里别带 emoji 啥的，它会懵
- 批量生成要排队：一次只能生成一个，想批量得写脚本
后续计划：
我打算试试这几个方向：
- 批量生成短视频配音（看看效率咋样）
- 克隆几个不同音色，做个声音库
- 研究下能不能微调模型，让它更懂我的需求
总结
VoxCPM2 这个工具，我觉得对普通用户来说已经够用了。特别是 Voice Design 功能，不用录音频就能生成各种声音，做视频配音挺方便的。
声音克隆的效果也不错，5 秒音频就能克隆，虽然跟真人比还有差距，但日常使用完全够了。方言支持是个亮点，不过得找地道的样本才行。
本地部署门槛不高，8GB 显存就能跑，这点比很多 AI 工具友好。如果你做视频、播客啥的，需要经常生成配音，这个工具值得试试。
资源链接：
- GitHub：github.com/infi-sys/voxcpm2
- 在线体验：voxcpm.com（需要注册）
- 文档：docs.voxcpm.com
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
7
0- 0
已为社区贡献6条内容
所有评论(0)