免费开源的 AI 配音神器 VoxCPM2：一句话捏声音、10 秒克隆自己，让 AI 帮你装好

约 4016 字大约 13 分钟

2026-11-06

想给视频配个旁白，又不想用自己的声音？想听听 AI 用四川话、东北话念你写的段子？🎙️

开源项目 VoxCPM2 能做到这些：写一句话描述，就能凭空生成一个新声音；录 10 秒自己说话，它就能用你的声音念任何内容。它由清华大学和面壁智能联合开源，免费、可商用、装在自己电脑上离线运行，录音不会上传到任何地方。

这篇文章 不需要你懂代码。安装交给 AI Agent，装好之后在 浏览器网页里打字、点按钮 就能用。

VoxCPM 开源项目

OpenBMB/VoxCPM · 向作者致敬

不想装？先在线试听

官方在线体验，打开网页就能用

配套视频

视频开头那两条微信语音，声音是我的，但我一个字都没说过。先听听看，你能分辨出来吗？

YouTube 视频需要能正常访问 YouTube 的网络才能播放。 如果加载失败，可以直接观看抖音版视频。

声音永生：十几秒录音，AI 复刻了我的声音（VoxCPM2 实测）

播放会连接 YouTube，向其发送 IP 地址等信息，并适用其隐私政策。

查看隐私政策

观看 YouTube 原视频 · 观看抖音版视频

它能做什么

玩法	怎么用	适合做什么
文字转语音	输入一段文字，生成自然的人声	视频旁白、有声书、播客
一句话捏声音	写一句描述，比如「东北大爷，嗓门洪亮，带点幽默」	给角色配音、做搞笑内容
克隆自己的声音	上传 10 秒左右的录音	不想露声也能用“自己的声音”配音
方言和外语	支持 9 种方言和 30 种语言	方言挑战、多语言视频

方言包括：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。

我的电脑能用吗？

先看看你有没有下面这样的电脑：

✅ 最推荐：Windows 电脑 + 英伟达（NVIDIA）显卡，显存 8GB 以上。比如 RTX 3060 12G、4060 Ti、4070、5060 Ti、5070 Ti 等。速度快，几秒就能生成一段话。
🟡 苹果 M 系列芯片的 Mac：官方支持，能跑，但比 N 卡慢不少，适合偶尔玩玩。
❌ 只有核显的轻薄本、老电脑：建议直接用上面的在线体验，别折腾了。

怎么看自己的显卡和显存？

Windows：按 Ctrl + Shift + Esc 打开任务管理器 → 「性能」→ 左边点「GPU」，右上角是显卡型号，「专用 GPU 内存」就是显存。

另外，电脑硬盘要 预留 15GB 左右 的空间，用来放模型文件。

两种安装方式，选一种就行

方式一：让 AI 帮你装（推荐）

适合：不懂代码、不想看命令的朋友。 你只需要复制一段话，剩下的都交给 AI。我自己也是这么装的。

准备一个能操作电脑的 AI Agent
就是能在你电脑上执行命令的 AI 助手，比如 DeepSeek Harness（DeepSeek 官方的 Agent）、Codex、Claude Code，或 豆包电脑版（选「本地电脑」模式）。用过我之前 CleanYourTV 电视去广告教程的朋友，用同一个就行。

把下面这段话发给 AI

请帮我在这台电脑上部署开源语音合成项目 VoxCPM2，并启动它自带的网页界面。
项目地址：https://github.com/OpenBMB/VoxCPM

要求：
1. 先检查我的电脑：系统、显卡型号、显存、显卡驱动、可用硬盘空间，告诉我能不能跑。
2. 把项目下载到一个专门的文件夹里，用独立的 Python 虚拟环境安装，不要影响电脑上其他软件。
3. 按我的显卡安装匹配的 PyTorch（RTX 50 系显卡要用支持 CUDA 12.8 的版本；Mac 用 MPS）。
4. 我在国内，下载 Python 包请用清华镜像，下载模型请用 hf-mirror.com 镜像或魔搭 ModelScope。
5. 安装完成后运行项目里的 app.py 启动网页界面，确认能正常生成一句中文语音。
6. 在桌面帮我做一个「启动 VoxCPM」的快捷方式（Windows 用 .bat，Mac 用 .command），以后双击就能启动网页界面。
7. 最后告诉我网页地址，以及以后怎么启动和关闭。
遇到需要我决定的事情先问我。

等它装完
第一次要下载几个 GB 的模型，网速一般的话需要等 10～30 分钟。中途 AI 可能会问你装在哪个盘、要不要继续，按自己的情况回答就行。
打开网页开始用
AI 装好后会告诉你一个地址，一般是 http://localhost:7860，在浏览器里打开就能看到操作界面。

打不开 GitHub，AI 下载项目失败怎么办？

让能上 GitHub 的朋友帮忙，在项目页面点绿色的「Code」→「Download ZIP」下载压缩包发给你。你解压后告诉 AI：「项目已经下载解压在 xxx 文件夹，请从第 3 步开始装」。

方式二：自己敲命令安装

适合：用过命令行、想自己掌控过程的朋友。 下面以 Windows + 英伟达显卡为例，提前装好 Git 和 Miniconda。

新建独立环境

打开「Anaconda Prompt」，执行：

conda create -n voxcpm python=3.11 -y
conda activate voxcpm

安装 PyTorch（带显卡加速）
```
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu128
```
cu128 支持 RTX 20 到 50 系显卡，需要较新的显卡驱动，装之前建议先把 NVIDIA 驱动更新到最新。装完检查一下，输出 True 就说明显卡被识别了：
```
python -c "import torch; print(torch.cuda.is_available())"
```

下载项目并安装

git clone https://github.com/OpenBMB/VoxCPM.git
cd VoxCPM
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

设置国内模型镜像并启动网页
```
set HF_ENDPOINT=https://hf-mirror.com
python app.py
```
Mac / Linux 把第一行换成 export HF_ENDPOINT=https://hf-mirror.com。第一次启动会自动下载模型，等它跑完，浏览器打开 http://localhost:7860 就行。

以后怎么用： 打开 Anaconda Prompt，依次执行 conda activate voxcpm、cd 到 VoxCPM 文件夹、set HF_ENDPOINT=https://hf-mirror.com、python app.py。关闭这个窗口，服务就停了。

网页界面怎么用

打开 http://localhost:7860 后，界面上主要有这几样东西（具体按钮名称以你看到的为准）：

要合成的文字：输入你想让 AI 说的话；
参考音频：想克隆声音时，在这里上传录音；不上传就是用描述生成新声音；
控制指令 / 声音描述：用文字描述你想要的声音或语气；
生成按钮：点一下，几秒后就能试听，满意的话点下载保存。

玩法一：一句话捏一个声音

不用上传任何录音，在声音描述里写清楚你想要什么样的人，比如：

「一位六十岁左右的东北大爷，嗓门洪亮，说话带点幽默」
「年轻女生，声音温柔，语速缓慢，像在讲睡前故事」
「新闻主播，男声，字正腔圆，语气严肃」

写得越具体越好，可以从这几个方面写：性别、年龄、音色（低沉 / 清亮 / 沙哑）、情绪、语速、风格。同一句描述每次生成的声音会有些不同，不满意就多点几次生成，挑一个最喜欢的。

玩法二：克隆自己的声音

用手机录一段自己说话，10～20 秒 就够，太长反而没必要。录的时候用你平时说话的语气，克隆出来的声音会继承录音的语气：想要平静的旁白就平静地录，想要激动的语气就录一段激动的；
录的时候注意：环境安静、没有背景音乐、只有你一个人说话；
把录音上传到「参考音频」，输入你想让它说的文字，点生成。

想要更像？把录音里说的话 一字不差 地填进「参考音频文字」那一栏（如果界面有的话），效果会更接近原声。克隆好以后，还可以在控制指令里写「语速快一点、语气开心」，声音不变，语气跟着变。

玩法三：方言挑战

在声音描述里写明方言，同时 文字也尽量用方言的说法写，效果更地道。比如：

声音描述：「中年男性，用地道的四川话说，语气轻松」
要说的文字：「今天这个火锅硬是巴适得板！」

方言效果因口音而异，建议多生成几次。把生成的方言发给当地朋友听听像不像，挺好玩的。 😄

生成技巧：每次生成多长合适？

这是用久了才会发现的问题：一次塞太多字，效果反而变差。官方也提到，特别长或情绪起伏很大的输入，偶尔会出现不稳定。我自己用下来的经验：

每次生成的长度	大约字数	效果
10～30 秒（推荐）	50～150 个字，一到三句话	最稳，语气自然，出错也好重做
30 秒～1 分钟	150～300 个字	大多能用，偶尔吞字、多字或语气变平
1 分钟以上	300 字以上	不建议，越往后越容易念错、拖音或停不下来

中文正常语速大约 每秒 4～5 个字，按这个估算就行。

几个让效果更稳的小习惯：

一次一个意思：按句号、问号、感叹号拆，最好一段只说一件事；
用标点控制停顿：逗号是短停顿，句号是长停顿，「……」是犹豫拖音。想让它停一下，就加个逗号；
数字、英文、符号改成汉字：「120km/h」写成「每小时一百二十公里」，「¥50」写成「五十块」，这是最容易念错的地方；
同一段多生成几次：每次结果都会有点不同，生成 3～5 遍挑最好的那条，比反复改文字省事；
生成完一定要从头听一遍：偶尔会多一个字或漏一个字，听一遍就能发现。

怎么生成一大段文字的语音？

想做几分钟的口播、有声书或播客，不要把整篇文章一次贴进去。正确做法是：拆成小段分别生成，再拼起来。

方法一：手动拆段（适合几百字的短稿）

把稿子按上面的长度拆成若干段，每段 50～150 字；
在网页里 用同一段参考音频、同样的设置，一段一段生成并下载；
文件按顺序命名，比如 01.wav、02.wav……
拖进剪映等剪辑软件，按顺序排好，段与段之间留 0.2～0.5 秒空隙，听起来就像一口气说完的。

保持声音前后一致

整篇稿子 从头到尾用同一段参考音频，不要中途换录音、换描述或改参数，否则每段的音色和语气会对不上。用克隆功能时，把参考音频的原话也填上，前后一致性会更好。

方法二：让 AI 写个批量脚本（适合几千字的长稿）

几千字手动拆太累，可以把下面这段话发给安装时用的 AI Agent，让它帮你做一个「批量生成」工具：

请基于我电脑上已经装好的 VoxCPM2，帮我写一个批量生成长文本语音的 Python 脚本，并教我怎么用。

要求：
1. 读取一个 txt 文本文件，按句号、问号、感叹号、换行自动分段，每段控制在 150 个字以内，不要把一句话从中间切断。
2. 分段前先把阿拉伯数字、英文单位和常见符号转换成中文读法，并把转换后的分段结果先列给我检查。
3. 每段都使用同一段参考音频（我会提供路径）和它的原文，保证全篇音色一致；打开 retry_badcase 防止出现停不下来的坏结果。
4. 每段单独保存为编号的 wav 文件（001.wav、002.wav……），方便我只重做不满意的那几段。
5. 最后把所有片段按顺序合并成一个完整音频，段与段之间插入 0.3 秒静音，同时生成一个对应的 srt 字幕文件。
6. 支持只重新生成指定编号的片段，然后重新合并。
遇到需要我决定的事情先问我。

第 4 和第 6 条最实用：几千字里总有几句不满意，单独重做那几句就行，不用整篇重来。第 5 条顺带生成的字幕文件，可以直接导进剪映，省掉对字幕的时间。

常见问题

生成很慢，或者提示显存不足（out of memory）？

关掉游戏、剪辑软件和其他 AI 工具再试。显存确实不到 8GB 的话，建议用在线体验。用的是 AI 安装的，也可以直接把报错截图发给 AI 让它处理。

克隆出来的声音不像？

最常见的原因是录音不干净。换个安静的房间重录，别开风扇和空调，手机离嘴 20 厘米左右。再填上录音的原话、多生成几次，一般就好很多。

读错字、数字读得怪？

把数字和英文改成你想要的读法，比如「2026 年」写成「二零二六年」。文字太长也容易出错，按上文「生成技巧」里的建议拆短再生成。

一段话后面拖音、停不下来，或者结尾多出奇怪的声音？

一般是一次生成的文字太长了。拆成更短的段落重新生成；还不行就多生成几次，挑正常的那条。

想在手机或另一台电脑上用？

跟 AI 说：「帮我把 VoxCPM 网页界面改成局域网可以访问，并告诉我手机上打开的地址。」手机和电脑连同一个 Wi-Fi 就能用。我自己就是把它装在一台带显卡的电脑上，平时用别的设备访问。

可以用在商业视频里吗？

VoxCPM2 采用 Apache-2.0 开源协议，可以免费商用。但用克隆声音时请看下面的注意事项。

注意事项

声音克隆请守住底线

只克隆自己的声音，或已经得到本人同意的声音。不要克隆明星、主播或身边人的声音；
严禁用来冒充他人、诈骗或造谣，项目官方也明确禁止；
发布到平台时标注「AI 生成」，各平台对 AI 生成内容都有标识要求。

认准官方地址：项目只在 GitHub OpenBMB/VoxCPM、Hugging Face 和魔搭社区发布，不需要付费，网上收费的「一键安装包」请谨慎；
想彻底删除的话，删掉项目文件夹即可；模型文件一般在用户目录下的 .cache/huggingface 文件夹里，占空间比较大，不用了记得一起删。

欢迎把你捏出来的有趣声音描述分享到交流群，咱们一起看看谁的最好玩！ 😄

AI 玩家交流群

免费加入，交流 AI 配音、本地大模型和各种好玩的开源项目。

本地大模型
数码好物
Agent 实践
免费 AI 工具
电脑硬件

11 月 15 日前有效

这篇内容对你有帮助吗？本站全部免费，请我喝杯咖啡就是最好的鼓励。

发现链接失效，或有好网站想推荐？

点一下告诉我，会直接发到我的邮箱。合作咨询也可以从这里联系。