VoxCPM V3版 - 更新VoxCPM2，真人级多语言声音克隆 自然语言设计声音 一键整合包下载

海豚

VoxCPM 是一个开源的文本转语音（TTS）系统，它的最大特点是“无分词器”设计，可以直接从文字生成连续的语音信号，实现更自然的语音合成和逼真的声音克隆。它支持多语言，能在实时场景下运行，并且只需一段短音频就能模仿说话者的声音。


简单说就是：你输入文字，它就能生成非常自然、像真人说话一样的音频。
传统语音合成像“先把文字切成小块（token），再一块块拼声音”，容易听起来生硬、机器味重。 VoxCPM 直接跳过“切块”这一步，用扩散自回归的方式，一口气生成连续的语音流，听起来更自然、更有感情、更像真人。


今天分享的 VoxCPM V3版，更新官方最新的 VoxCPM2，测试下来，应该是截至目前已知开源界里，在“自然度、克隆效果、创意控制”上表现最强的 TTS（文字转语音）项目，尤其是“极致克隆模式”功能，几乎是一比一复刻原声，非常适合对声音克隆相似度要求高的群体。




主要特点


多语言支持：
直接支持30种语言（包括中文、英语、日语、韩语、阿拉伯语等），还能支持多种中文方言（粤语、四川话、东北话等）。输入什么语言的文字，就直接说出来，不用额外标语言。


语音设计（Voice Design）：
最酷的功能！不需要任何参考声音，你用自然语言描述就能生成新声音（性别、年龄、音色、情绪、语速……）凭空创建全新音色。比如输入“(一个温柔甜美的年轻女生，声音轻快带点笑意) 你好呀，今天天气真好”，它就能按描述生成声音。


声音克隆（Voice Cloning）：
普通克隆：给一小段参考音频，就能模仿那个人的音色。
可控克隆：一边克隆音色，一边还能调整“说话快点、开心点、严肃点”等风格。
极致克隆：给参考音频+对应文字，能几乎完美复刻包括语气、节奏、情感在内的所有细节。


上下文感知：
能根据文本内容自动调整语调、节奏和情感，让语音更贴近真实交流。


音质高：直接输出48kHz的工作室级音质（比普通音频清晰很多），支持实时流式输出（边生成边播放）。






应用领域


内容创作：有声书、视频配音、短视频、播客自动生成声音。
虚拟主播/数字人：给AI角色配音，支持定制不同性格的声音。
教育/无障碍：多语言朗读、给视障人士朗读文字。
游戏/娱乐：生成NPC对话、个性化角色语音。
客服/智能助手：自然的多语言语音交互。
个性化语音：帮普通人“复活”声音、制作个性化语音包等。






使用教程：（建议N卡，显存6G起，支持50系显卡）


下载主程序和模型（models文件夹），解压主程序一键包，将models文件夹移动到主程序目录下即可




支持声音设计、声音克隆（包括可控克隆和极致克隆），启动后，页面有详细说明，参考页面说明使用即可


支持的语言（30种）  
阿拉伯语、缅甸语、中文、丹麦语、荷兰语、英语、芬兰语、法语、德语、希腊语、希伯来语、印地语、印尼语、意大利语、日语、高棉语、韩语、老挝语、马来语、挪威语、波兰语、葡萄牙语、俄语、西班牙语、斯瓦希里语、瑞典语、菲律宾语、泰语、土耳其语、越南语 中国方言：四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南话




软件目录结构


📂 models/
├── 📂 VoxCPM2/
│      └── model.safetensors
│      └── audiovae.pth
📂 deepface/
```




下载地址：
迅雷云盘：https://pan.xunlei.com/s/VOpkBgFRNpnxehIQSQNzy2_7A1?pwd=zxaw

cnyjh

建议N卡，显存6G起，支持50系显卡，使用要求有点高，集显的机器是不是不能用啊？