5分钟上手 VoxCPM从快速安装到生成第一条多语言语音的完整指南【免费下载链接】VoxCPMVoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning项目地址: https://gitcode.com/GitHub_Trending/vo/VoxCPMVoxCPM 是一款无离散令牌器的文本转语音TTS系统输入文字直接产出连续的自然语音还支持用一句描述捏音色、用一段音频克隆音色。它适合做配音、有声内容和多语言语音应用的开发者与内容创作者。这篇上手教程带你走完安装、出第一条语音、再到玩克隆的全流程。全程只需一条安装命令和十几行代码最后你会拿到一个能直接播放的demo.wav48kHz 采样率以及一套音色设计、语音克隆、参数调优的实用手感。 为什么选 VoxCPM无令牌器 TTS 的三个不同点不做离散 token 化多数 TTS 先把音频切成离散 token 再重建VoxCPM 走扩散自回归路线全程在连续空间里建模音色和韵律的细小变化不会在量化环节丢30 种语言 9 种中文方言不用加语言标签输入什么语言就合成什么语言三种拿音色的方式文字描述设计音色、参考音频做可控克隆、音频加文本做续写式极致克隆。下面这张架构图里文本先进 Text-Semantic LM 出语义再由 Residual Acoustic LM 逐段生成连续声学表征最后交给 LocDiT 和 AudioVAE 解码成 48kHz 波形✅ 30 秒环境核对Python 版本与显存要求动手前花半分钟对一下清单能避开九成安装报错系统Linux 或 Windows有 NVIDIA GPU 体验最好Apple Silicon Mac 也能跑Python3.10 ~ 3.123.13 及以上暂不支持依赖PyTorch ≥ 2.5.0、CUDA ≥ 12.0pip install时会一并装好显存VoxCPM2 约需 8GB没有 GPU 也能用 CPU只是速度慢网络首次运行要联网拉模型权重国内网络可以稍后走 ModelScope 镜像 PyPI 一行安装 VoxCPM附源码备选推荐方式只有一行装完命令行里会多出一个voxcpm工具跑一下voxcpm --help能看到子命令就说明装好了pip install voxcpm需要最新开发版时从源码装即可效果等同git clone https://gitcode.com/GitHub_Trending/vo/VoxCPM cd VoxCPM pip install . 第一次运行10 行代码生成第一条语音把下面脚本存成first_run.py运行。首次执行会自动下载 VoxCPM2 权重国内下载慢可先pip install modelscope用snapshot_download拉到本地再from_pretrained指向本地目录from voxcpm import VoxCPM import soundfile as sf model VoxCPM.from_pretrained(openbmb/VoxCPM2, load_denoiserFalse) # 首次自动下载权重 wav model.generate( text你好这是我用 VoxCPM 生成的第一条语音。, cfg_value2.0, # 提示遵循强度默认 2.0 inference_timesteps10, # 扩散步数越大越精细也越慢 ) sf.write(demo.wav, wav, model.tts_model.sample_rate)运行结束工作目录里会多出demo.wav用任意播放器打开即可听到一句自然的中文——这就是你的第一个结果。 核心功能演示音色设计与零样本克隆VoxCPM2 最出效果的玩法有两个各配一段最小代码。用一句描述设计全新音色不上传任何音频只把音色描述用括号写在text开头模型就会照描述生成一个新演员wav model.generate( text(年轻女性声音温柔甜美)欢迎来到 VoxCPM 的世界, seed42, # 固定随机种子方便复现 ) sf.write(voice_design.wav, wav, model.tts_model.sample_rate)参考音频克隆 风格指令微调传一段参考音频音色来自它括号里的指令再叠加情绪和语速原音色不变wav model.generate( text(语速稍快语气欢快)这是克隆音色配上风格指令的效果。, reference_wav_pathexamples/reference_speaker.wav, # 换成你的参考音频 seed42, ) sf.write(clone.wav, wav, model.tts_model.sample_rate)想逐细节还原就用极致克隆同一段音频同时传给prompt_wav_path和reference_wav_path并补上prompt_text音频对应的文本要边生成边播放则改用model.generate_streaming。️ 参数调优cfg_value 与推理步数怎么取generate里真正值得动的参数就三个按下面的感觉调即可参数默认值什么时候调cfg_value2.0读起来僵硬、不听提示 → 调高听起来紧张不自然 → 调低。推荐 1.0~3.0允许范围 0.1~10inference_timesteps10出成品要细节 → 提到 15~30快速试草稿 → 降到 4~8seed随机想复现同一条结果就固定它比如 42音色设计和克隆类功能每次生成的表现力会略有差异这是正常的——多跑 1~2 条挑最顺耳的那条即可。️ 进阶入口Web 界面、CLI 与 LoRA 微调不想写代码时仓库自带 Gradio 网页运行python app.py --port 8808后浏览器打开http://localhost:8808就能点选生成--device auto会自动挑 CPU/GPU。纯命令行党可以直接用子命令音色设计voxcpm design --text Hello --control warm female voice --output out.wav克隆voxcpm clone --text 文本 --reference-audio ref.wav --output out.wav还有voxcpm batch按行批量出音频。如果你有 5~10 分钟录音可以用 LoRA 微调出自己的专属音色入口是 scripts/train_voxcpm_finetune.py对应配置在 conf/voxcpm_v2/仓库还附带了 lora_ft_webui.py 图形化训练界面。 继续深入文档、样例与源码README_zh.md中文完整文档含支持语言列表、版本对比和评测数据examples/参考音频、示例文本和训练数据格式样例src/voxcpm/核心源码模型、AudioVAE、LoRA 层都在这里关掉这篇文章打开终端把pip install voxcpm跑起来——一分钟后你就能听到自己的第一条 VoxCPM 语音。【免费下载链接】VoxCPMVoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning项目地址: https://gitcode.com/GitHub_Trending/vo/VoxCPM创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考