VoxCPM 文本转语音上手指南从 pip 安装到生成第一个音频文件【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 是一个不走离散音素分词、直接输出连续语音信号的文本转语音TTS系统当前主版本 VoxCPM2 支持 30 种语言、可输出 48kHz 音频并能在 30 种语言之外合成部分中文方言。如果你想在本地跑一个能生成自然语音、还能克隆人声的 TTS 工具按本文操作最后你会在自己的目录里得到一个可直接播放的 output.wav。能做什么以及最低运行条件先明确它适合的场景再判断你的机器是否够用纯文本朗读中英文等多语言文本直接合成无需指定语言标签声音克隆给一段参考音频克隆其音色并生成新内容也可以附上参考音频的文字稿做续写式高保真克隆声音设计不用参考音频用一句自然语言描述性别、年龄、情绪、语速创造全新音色48kHz 输出参考音频可以是 16kHz模型自带超分输出为 48kHz开始前必须满足的条件Python 版本在3.10 ~ 3.12之间不支持 3.13 及以上PyTorch ≥ 2.5.0NVIDIA 显卡需要 CUDA ≥ 12.0VoxCPM2 推理约占8 GB 显存推荐 RTX 3060 或同级别以上显卡机器需联网首次运行会从 Hugging Face 或 ModelScope 下载模型权重ModelScope 适合国内网络安装 voxcpm一行命令即可推荐使用 PyPI 官方包依赖会自动装齐pip install voxcpm这样做的理由是包名为 voxcpm装完直接可用同时注册了voxcpm命令行入口Python 库和 CLI 一次到位。如果你需要最新开发版才考虑从源码装克隆仓库后在目录内执行pip install .仓库地址https://gitcode.com/GitHub_Trending/vo/VoxCPM。日常使用不必走这条路。第一次生成语音Python 与 CLI 两条入口Python 入口推荐主路径。下面这个脚本加载模型、合成一句话并保存为 demo.wav运行后你就能在目录里看到这个音频文件from voxcpm import VoxCPM import soundfile as sf model VoxCPM.from_pretrained(openbmb/VoxCPM2, load_denoiserFalse) # 下载并加载 VoxCPM2 权重 wav model.generate( text你好这是我用 VoxCPM2 生成的第一段语音。, cfg_value2.0, # 提示遵循强度越大越贴近设定风格越大也可能越生硬 inference_timesteps10, # 扩散采样步数越大音质细节越好但越慢 ) sf.write(demo.wav, wav, model.tts_model.sample_rate) # 按模型自身采样率写出CLI 入口同样能完成基本任务例如声音设计模式不需要任何参考音频voxcpm design --text 这是命令行生成的语音 --output out.wav两者功能基本等价CLI 还额外支持voxcpm batch --input examples/input.txt --output-dir outs做批量合成。两个最影响效果的参数怎么调语音发紧、机械感明显把cfg_value从 2.0 降到 1.5 左右试试。调低后模型更放松、更即兴但也可能偏离你想指定的风格反过来需要逐字严格读准长句时可小幅调高。生成太慢、草稿够听就行把inference_timesteps从 10 降到 5成片要更干净的音质升到 15~20。步数是质量换速度的旋钮草稿阶段别用高值。声音设计和可控克隆的结果每次略有差异这是已知的稳定性问题同一段描述多生成 1~3 次从中挑一条最满意的即可。另外注意克隆模式下参考音频质量直接影响结果建议选一段安静、单人的短音频几秒到十几秒。下一步往哪走不想写代码运行python app.py --port 8808然后浏览器打开 http://localhost:8808网页里可直接体验和克隆人声没有 NVIDIA 卡时可用--device mpsApple Silicon或--device cpu想定制自己的声音仓库提供了 LoRA 与全量微调脚本scripts/train_voxcpm_finetune.py配合 conf/voxcpm_v2/ 下的配置文件即可训练5~10 分钟音频就够适配一个说话人examples/train_data_example.jsonl展示了训练数据格式想要字级/词级时间戳安装可选依赖voxcpm[timestamps]后在 CLI 命令上加--timestamps即可更多用法细节可查仓库内的 README_zh.md 与 README.md模型与代码均为 Apache-2.0 协议可商用。建议第一次跑通后优先用声音设计模式验证你的 GPU 环境再进入克隆与微调流程。【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
VoxCPM 文本转语音上手指南从 pip 安装到生成第一个音频文件【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 是一个不走离散音素分词、直接输出连续语音信号的文本转语音TTS系统当前主版本 VoxCPM2 支持 30 种语言、可输出 48kHz 音频并能在 30 种语言之外合成部分中文方言。如果你想在本地跑一个能生成自然语音、还能克隆人声的 TTS 工具按本文操作最后你会在自己的目录里得到一个可直接播放的 output.wav。能做什么以及最低运行条件先明确它适合的场景再判断你的机器是否够用纯文本朗读中英文等多语言文本直接合成无需指定语言标签声音克隆给一段参考音频克隆其音色并生成新内容也可以附上参考音频的文字稿做续写式高保真克隆声音设计不用参考音频用一句自然语言描述性别、年龄、情绪、语速创造全新音色48kHz 输出参考音频可以是 16kHz模型自带超分输出为 48kHz开始前必须满足的条件Python 版本在3.10 ~ 3.12之间不支持 3.13 及以上PyTorch ≥ 2.5.0NVIDIA 显卡需要 CUDA ≥ 12.0VoxCPM2 推理约占8 GB 显存推荐 RTX 3060 或同级别以上显卡机器需联网首次运行会从 Hugging Face 或 ModelScope 下载模型权重ModelScope 适合国内网络安装 voxcpm一行命令即可推荐使用 PyPI 官方包依赖会自动装齐pip install voxcpm这样做的理由是包名为 voxcpm装完直接可用同时注册了voxcpm命令行入口Python 库和 CLI 一次到位。如果你需要最新开发版才考虑从源码装克隆仓库后在目录内执行pip install .仓库地址https://gitcode.com/GitHub_Trending/vo/VoxCPM。日常使用不必走这条路。第一次生成语音Python 与 CLI 两条入口Python 入口推荐主路径。下面这个脚本加载模型、合成一句话并保存为 demo.wav运行后你就能在目录里看到这个音频文件from voxcpm import VoxCPM import soundfile as sf model VoxCPM.from_pretrained(openbmb/VoxCPM2, load_denoiserFalse) # 下载并加载 VoxCPM2 权重 wav model.generate( text你好这是我用 VoxCPM2 生成的第一段语音。, cfg_value2.0, # 提示遵循强度越大越贴近设定风格越大也可能越生硬 inference_timesteps10, # 扩散采样步数越大音质细节越好但越慢 ) sf.write(demo.wav, wav, model.tts_model.sample_rate) # 按模型自身采样率写出CLI 入口同样能完成基本任务例如声音设计模式不需要任何参考音频voxcpm design --text 这是命令行生成的语音 --output out.wav两者功能基本等价CLI 还额外支持voxcpm batch --input examples/input.txt --output-dir outs做批量合成。两个最影响效果的参数怎么调语音发紧、机械感明显把cfg_value从 2.0 降到 1.5 左右试试。调低后模型更放松、更即兴但也可能偏离你想指定的风格反过来需要逐字严格读准长句时可小幅调高。生成太慢、草稿够听就行把inference_timesteps从 10 降到 5成片要更干净的音质升到 15~20。步数是质量换速度的旋钮草稿阶段别用高值。声音设计和可控克隆的结果每次略有差异这是已知的稳定性问题同一段描述多生成 1~3 次从中挑一条最满意的即可。另外注意克隆模式下参考音频质量直接影响结果建议选一段安静、单人的短音频几秒到十几秒。下一步往哪走不想写代码运行python app.py --port 8808然后浏览器打开 http://localhost:8808网页里可直接体验和克隆人声没有 NVIDIA 卡时可用--device mpsApple Silicon或--device cpu想定制自己的声音仓库提供了 LoRA 与全量微调脚本scripts/train_voxcpm_finetune.py配合 conf/voxcpm_v2/ 下的配置文件即可训练5~10 分钟音频就够适配一个说话人examples/train_data_example.jsonl展示了训练数据格式想要字级/词级时间戳安装可选依赖voxcpm[timestamps]后在 CLI 命令上加--timestamps即可更多用法细节可查仓库内的 README_zh.md 与 README.md模型与代码均为 Apache-2.0 协议可商用。建议第一次跑通后优先用声音设计模式验证你的 GPU 环境再进入克隆与微调流程。【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
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
