兄弟们，AI配音圈又炸了！
以前你想让AI帮你念一段文案，要么用那些在线TTS工具，声音假得像机器人；要么上 ElevenLabs，效果好是好，但每个月十几美金，而且还在墙外，用起来各种折腾。
今天要聊的这款工具，绝对能让你惊掉下巴——VoxCPM，一个完全免费、本地部署的TTS神器。
🔥 只需要5秒的录音，就能完美复刻任何人的声音！
而且它支持30种语言+各种方言（粤语、闽南语、四川话、东北话全都有）。最变态的是它的”极致克隆”模式，给你一段2分钟的原声，它能用一模一样的声音帮你续写几百字的新内容，连语气、停顿、情感都还原到位。
关键它还是完全本地运行，你的声音数据不出电脑，隐私绝对安全。
这篇文章我会手把手教你：
- VoxCPM能做什么（三大核心功能）
- 硬件要求（你的电脑能不能跑）
- 整合包一键部署（小白5分钟搞定）
- 源码部署（适合喜欢折腾的）
- 各种实操玩法（TTS、声音克隆、极致克隆）
废话不多说，直接开干！
一、VoxCPM 到底是什么？
VoxCPM 是一个开源的文本转语音（TTS）工具，基于 Vits/CosyVoice 架构改良。它的核心亮点就三个：
- 5秒声音克隆：只要你有5秒以上的音频片段，就能复刻这个声音
- 30种语言+方言：中英日韩法德俄，加上粤语、闽南语、四川话、东北话等各种方言
- 极致克隆（音频续写）：这是最恐怖的功能——给你一段录音，它能用一模一样的声音续写新内容，声线、语气、节奏完全一致
⚠️ 重要：VoxCPM 是本地运行的工具，所有推理都在你自己的电脑上完成，不需要联网，不用担心声音数据泄露。但这也意味着你需要一块还不错的NVIDIA显卡。
二、你的电脑能不能跑？
在下载之前，先确认一下你的配置够不够用。
最低配置
| 项目 | 要求 |
|---|---|
| 操作系统 | Windows 10/11 |
| 显卡 | NVIDIA GTX 1060 6GB 或更高（整合包仅支持N卡） |
| 显存 | 最低4GB，推荐8GB+ |
| 内存 | 8GB+（推荐16GB） |
| 硬盘空间 | 至少10GB空闲 |
| CUDA | CUDA 11.8+（需自行安装） |
⚠️ 注意：整合包目前仅支持NVIDIA显卡。AMD显卡和Intel显卡暂时用不了。如果你是Mac用户，可以试试源码部署，但M系列芯片的支持可能不完整。
怎么查自己的显卡型号？
Windows 10/11：
- 按键盘上的
Win + R - 输入
dxdiag回车 - 切换到”显示”标签页，在”名称”那一行就能看到你的显卡型号
三、下载整合包（小白首选）
我给大家准备好了整合包，里面包含了：
- Python 运行环境
- 所有依赖库
- 预训练模型
- 一键启动脚本
整合包大小：约 2~3GB（包含模型文件）
下载地址 👉 百度网盘 提取码：4xhh
💡 提示：我是百度网盘SVIP，所以下载速度有保障。如果链接失效了，可以留言告诉我补链。或者也可以用下面源码部署的方式自己搭建。
四、整合包部署（5分钟搞定）
下载好整合包之后，跟着下面几步走：
第1步：解压
把下载好的压缩包解压到一个你能找到的位置，比如 D:\VoxCPM。建议路径不要有中文和空格。
✅ 验证：解压后目录里应该有 run.bat 文件和几个文件夹
第2步：安装CUDA（如果没装过）
VoxCPM 需要 NVIDIA 的 CUDA 才能用显卡加速。如果你不确定自己有没有装过：
- 打开命令提示符（按
Win + R→ 输入cmd回车） - 输入
nvcc --version回车 - 如果看到版本信息（比如
Cuda compilation tools, release 11.8），说明CUDA已安装，跳过这步 - 如果提示”nvcc 不是内部或外部命令”，说明没装，去 NVIDIA官网下载CUDA。建议装 CUDA 11.8 或 12.x
第3步：双击启动
找到 run.bat，双击运行。
第一次启动需要加载模型，会等几十秒到一两分钟，属于正常现象。
✅ 验证：等命令行窗口里出现类似这样的地址：
Running on local URL: http://localhost:8808
看到这个地址就说明启动成功了！
第4步：打开Web界面
打开浏览器，在地址栏输入 http://localhost:8808 回车。
✅ 验证：你应该能看到一个简洁的页面，上面有文本框、音频上传按钮和各种设置选项。这就是 VoxCPM 的操作界面了。
⚠️ 常见坑：
• 如果双击 run.bat 没反应 → 右键 → 以管理员身份运行
• 如果提示”找不到显卡” → 先确认CUDA装好了，并且显卡驱动是最新版
• 如果弹窗被360/腾讯管家拦截 → 加白名单或暂时关闭杀毒软件
五、源码部署（适合技术用户）
如果你不想下载整合包，或者想自己折腾最新版本，也可以用源码部署：
第1步：下载源码
# 克隆仓库 git clone https://github.com/CSciXa/VoxCPM.git cd VoxCPM
⚠️ 如果 GitHub 打不开（被墙）： 可以直接去我的百度网盘下载整合包，或者百度搜索”VoxCPM GitHub”找国内镜像站。
第2步：安装依赖
# 推荐用Python 3.10或3.11 pip install -r requirements.txt
⚠️ 注意：pip装完的 PyTorch 默认为CPU版本。要启用显卡加速，需要：
# 先卸载CPU版torch pip uninstall torch torchaudio -y # 根据你的CUDA版本重新安装GPU版 # CUDA 11.8: pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu118 # CUDA 12.1: pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu121
✅ 验证：运行下面命令，看到 True 说明GPU可用
python -c "import torch; print(torch.cuda.is_available())"
第3步：运行
python app.py --port 8808
第一次运行会自动下载模型（几百MB到几个GB，取决于网络速度）。
✅ 验证：看到 Running on local URL: http://localhost:8808 就成功了。
六、实操！VoxCPM的三种核心用法
玩法一：基础TTS（文本转语音）
这是最简单的用法，直接让AI帮你念一段文字。
操作步骤：
- 打开
http://localhost:8808 - 在文本输入框里输入你想要生成的文字
- 在”语音描述（Voice Description）”里写上你希望的声音风格，比如
年轻女性、温柔或中年男性、沉稳 - 点击 “Generate” 按钮
- 等几秒钟，播放生成的语音
✅ 验证：能听到AI朗读你输入的文字，音质清晰自然。
💡 小技巧：VoxCPM 支持30种语言，你输入英文、日文、韩文、俄文等都能自动识别。不需要在描述里特别标注语言。
玩法二：进阶TTS——控制语速、语气和情感
基础TTS虽然能用，但声音比较平。想让声音更有表现力？用提示词（Prompt）来控制：
- 调整语速：在语音描述里加上
语速非常快、语速缓慢、正常语速等限定词 - 控制语气：加
广告配音风格、新闻播报风格、和朋友聊天一样 - 添加情感：
激动地、悲伤地、幽默地
遇到效果不好怎么办？ 点开 “高级设置（Advanced Settings）”：
- 提示不起作用 → 调大CFG值：CFG值越大，模型越贴合你的提示来生成。默认值如果效果不好，可以慢慢往上加
- 音质差、有电流声 → 增加迭代步数：把迭代步数从默认调到15~20，数值越大音质越好，但生成速度会变慢
- 断句不自然：在文本里用逗号
，控制断句位置
下面是一个实战例子：把一段普通的文案，配上广告配音风格+语速适中，文字加逗号断句，CFG调高一点——出来的效果基本能达到商用配音的水准。
玩法三：生成方言（粤语/四川话/东北话/闽南语）
VoxCPM 支持用方言朗读文字，但这里有一个非常关键的坑：
⚠️ 铁律：生成方言的文本，必须用方言的词汇和发音，不能用普通话的文字直接转！
❌ 错误示范：在文本框里输入”你今天吃了什么”然后选粤语 → 生成的效果是普通话的文本用粤语发音念，效果很怪。
✅ 正确做法：
- 先把普通话文本翻译成方言
- 去问AI（比如DeepSeek、ChatGPT）：”请帮我把’你今天吃了什么’翻译成粤语/四川话/东北话”
- AI会给你翻译好的方言文本，比如粤语版：”你今日食咗乜嘢啊？”
- 把这个方言文本粘贴到VoxCPM的输入框里生成
同样的道理，闽南语、四川话、东北话、陕西话都要先翻译对应发音和句式，再用翻译后的文本生成。
💡 提示：最难的是闽南语，涉及词素和台罗拼音问题。以后如果你有需要，可以专门研究方言微调。
七、声音克隆（5秒复刻任何声音）
这才是 VoxCPM 的真正杀手锏！
基础克隆
- 在页面上方找到音频上传区域，点击选择一段音频文件
- 支持
.mp3、.wav格式，甚至.mp4视频文件也可以 - 如果音频超过30秒，它会自动截断。你也可以点 剪刀图标 手动裁剪
- 在文本输入框里输入你想要克隆朗读的文字
- 点击 Generate
✅ 验证：生成的语音应该和参考音频的音色、语速非常相似。
进阶克隆：克隆+提示控制
克隆声音的同时，还可以叠加提示词控制语气：
- 上传参考音频（建议用纯净的人声，不要有背景音乐）
- 在语音描述里加上语速和语气要求，比如
和参考音频一样的声音，但是语速稍微快一点，带点幽默感 - 输入要生成的文本，文本里用逗号断句
- 点击 Generate
提高克隆质量的关键
参考音频的质量，直接决定克隆效果。以下几点非常关键：
- 不要有背景音乐：有BGM的音频克隆出来声音会糊
- 不要有噪音：尽量用安静环境下的录音
- 推荐用UVR5做人声分离：如果你只有带背景音的音频，可以用UVR5（一个免费的人声分离工具）把背景音乐去掉
UVR5 人声分离操作步骤（简要版）：
- 下载并打开UVR5
- 选择要处理的视频或音频文件
- 设置输出目录
- 处理方法选”人声分离（Voice Separation）”
- 选一个合适的模型
- 点击”开始处理（Start Processing）”
- 处理完成后，输出目录里会有两个文件：上面是背景音乐，以
Vocals结尾的那个就是纯净人声
八、极致克隆——VoxCPM最疯狂的功能
如果说声音克隆是复制声音，那极致克隆就是让AI用你的声音继续说下去。
它的原理是：你给一段参考音频 → 它先语音识别出原音频的文字内容 → 然后你用一模一样的声音续写新内容。
操作步骤：
- 上传一段参考音频（建议2~5分钟，太短效果不好）
- 打开下面的 “极致克隆（Extreme Clone）” 开关
- 系统会自动做语音识别，生成原音频的文本内容（等几秒到几十秒）
- 在文本框里接着原文本输入你要续写的新内容
- 点击 Generate
⚠️ 注意：这个模式非常吃显卡！UP主实测8GB显存跑一段400多字的续写，跑了十多分钟。所以如果你的显卡不是特别好，建议只在需要高质量输出的场景使用。
听一下效果：极致克隆出来的声音，和原声高度一致，连语气、停顿、小口癖都还原了。不仔细听根本分不清哪段是原声哪段是AI续写的。
九、常见问题
Q：VoxCPM 和 GPT-SoVITS 哪个好？
各有所长。VoxCPM 的优势是克隆只需5秒音频，语言支持更广（30种）。GPT-SoVITS 的中文效果非常好，但需要10~30秒的样本。如果你主要是中文配音+方言，两个都可以试试。
Q：生成的语音能商用吗？
VoxCPM 使用 Apache 2.0 协议，允许商用。但如果你克隆了某个特定人物的声音（比如明星），注意不要侵犯肖像权/声音权。
Q：为什么我生成的语音有电流声？
试试在高级设置里增加迭代步数（比如调到15~20），或者检查参考音频的质量。
Q：提示词不起作用怎么办？
调大CFG值。CFG控制模型对提示词的贴合程度，值越大越听提示。可以从默认值往上慢慢加，找到最适合的值。
Q：整合包下载链接失效了怎么办？
去原视频（B站搜索”AI探索与发现 VoxCPM”）的评论区看有没有补链。或者直接用源码部署的方式自己搭建。
Q：AMD显卡能用吗？
整合包目前仅支持NVIDIA显卡。源码部署理论上可以通过ROCm（Linux）或DirectML（Windows）跑，但配置比较复杂，不推荐新手尝试。
十、总结
VoxCPM 是我目前见过最良心的免费TTS工具了：
- ✅ 完全免费，本地运行，不限次数
- ✅ 5秒克隆，30种语言+方言全支持
- ✅ 极致克隆功能强到离谱
- ✅ 有整合包，小白也能一键启动
- ✅ Apache 2.0 开源，商用完全OK
如果你是做自媒体的、做有声书的、或者经常需要配音，VoxCPM 完全值得你花时间折腾一下。
👇 觉得有用的话，收藏转发给需要的朋友！