VoxCPM2 语音合成 · 音色设计与声音克隆 · 萤炬工具箱

VoxCPM2 语音合成除了常规的文字转语音，还能只靠一句自然语言描述造出全新音色（音色设计），或上传一段音频克隆声线并叠加语速、情绪指令（可控克隆）。想最大程度还原音色时用极致克隆，额外提供参考音频的准确转写。输出 48kHz 音频，中文可懂度与音色相似度都优于 F5-TTS。合成依赖云端 GPU，文本与音频会上传。

VoxCPM2 语音合成除了常规的文字转语音，还能只靠一句自然语言描述造出全新音色（音色设计），或上传一段音频克隆声线并叠加语速、情绪指令（可控克隆）。想最大程度还原音色时用极致克隆，额外提供参考音频的准确转写。输出 48kHz 音频，中文可懂度与音色相似度都优于 F5-TTS。合成依赖云端 GPU，文本与音频会上传。

使用步骤

1. 选模式：普通合成直接读文字；音色设计用描述造新声音；可控克隆和极致克隆需要参考音频。
2. 把要朗读的文字粘进输入框，上限 2000 字，长文本建议分段提交。
3. 音色设计模式填一句音色描述，例如「一位年轻女性，声音温柔甜美」，也可直接套用预设。
4. 克隆模式上传 10 到 30 秒的清晰干声；极致克隆还要填这段音频的准确转写。
5. 按需调 CFG 与采样步数，合成后在线试听并下载 WAV。

功能与限制

• 合成在云端 GPU 上完成，文本与参考音频需要上传，并非本地处理。
• 文本上限 2000 字；参考音频不超过 15MB。
• 输出 48kHz 单声道 WAV；支持 30 种语言与多种中文方言。
• CFG 可调 1.0 到 4.0，采样步数 4 到 50，步数越多细节越好也越慢。
• 克隆真人声音前请取得本人同意；分享 AI 生成音频时建议标注。

常见问题

文本和音频会上传吗？

会。VoxCPM2 是云端 GPU 模型，文本和参考音频都会经后端转发到推理服务，不是浏览器本地合成。不要提交身份证号、密码等敏感内容。

音色设计的描述该怎么写？

写清性别、年龄段和声音质感就够，例如「一位中年男性，声音低沉沉稳，像纪录片旁白」。描述越具体越容易命中，但结果本身有随机性，同一句描述多生成几次会得到不同声音。

为什么同样的参数每次结果不一样？

模型采样带随机性，音色设计和可控克隆尤其明显，官方也建议生成 1 到 3 次挑一个满意的。想要稳定复现就固定随机种子。

可控克隆和极致克隆差在哪？

可控克隆只要一段参考音频，还能叠加风格指令改语速情绪；极致克隆要额外提供这段音频的准确转写，牺牲了风格控制，换来更高的音色相似度。

参考音频要准备多长？

十几秒到半分钟的清晰干声就够。带混响、噪声、背景音乐或多人说话时，克隆出的音色会明显走形。