VoxCPM 优云智算社区版 使用教程

📦 项目简介

VoxCPM 是一款开源的跨语种语音生成大模型，支持多语言、多音色、多风格的语音合成，同时提供 LoRA 声音克隆功能，可快速定制专属音色。

本社区版镜像已预配置所有运行环境，开箱即用，等待包含两大核心功能：

• 🎵 语音生成服务（8808 端口）
• 🧠 声音克隆训练服务（7860 端口）

验证服务启动

实例启动后等待 3 分钟左右，服务会自动启动，访问以下地址验证：

• 语音生成服务（点击按钮）：语音生成 WebUI
• 声音训练服务（点击按钮）：声音克隆训练 WebUI

🔌 端口说明

语音生成 WebUI | 文本转语音、音色选择、参数调整 | http://服务器IP:8808 |

声音克隆训练 WebUI | 数据集上传、LoRA 训练、模型测试 | http://服务器IP:7860 |

🚀 快速开始

1. 服务启动

镜像已配置开机自动启动，服务器开机后3分钟左右两个服务会自动运行，无需手动操作。

如需手动管理服务：

# 查看服务状态
supervisorctl status

# 重启所有服务
supervisorctl restart all

# 单独重启某个服务
supervisorctl restart voxcpm        # 重启语音生成服务
supervisorctl restart voxcpm_train  # 重启声音训练服务

# 查看服务日志
tail -f /var/log/voxcpm.log         # 语音生成服务日志
tail -f /var/log/voxcpm_train.log   # 声音训练服务日志

2. 语音生成服务使用（8808 端口）

访问 http://服务器IP:8808 进入语音生成界面：

核心功能：

• 文本输入：支持中英文等多语言文本输入，最长支持 1000 字符
• 音色选择：内置数十种预设音色，包括通用、情感、方言等多种风格
• 参数调整：
  • 语速：0.5 ~ 2.0 倍速（默认 1.0）
  • 音调：-12 ~ +12 半音调整（默认 0）
  • 音量：0.1 ~ 3.0 倍（默认 1.0）
• 批量生成：支持多行文本批量生成语音
• 结果导出：生成的语音可直接下载为 MP3/WAV 格式

使用步骤：

1. 在文本框输入需要合成的内容
2. 选择合适的音色
3. 调整语速、音调、音量参数（可选）
4. 点击「生成」按钮等待处理
5. 生成完成后可在线试听或下载音频文件

3. 声音克隆训练服务使用（7860 端口）

访问 http://服务器IP:7860 进入声音克隆训练界面：

核心功能：

• 数据集上传：支持上传单个或多个音频文件作为训练素材
• 自动预处理：自动完成音频切分、降噪、特征提取等预处理工作
• 训练参数配置：支持调整训练轮次、学习率、批次大小等参数
• 一键训练：自动完成 LoRA 微调训练，实时展示训练进度
• 模型测试：训练完成后可直接在界面测试生成效果
• 模型导出：训练好的 LoRA 模型可导出用于其他场景

训练准备：

1. 音频素材要求：

   • 格式：MP3/WAV 格式，采样率 16000Hz 以上
   • 时长：总时长 510 分钟效果最佳，单条音频建议 1030 秒
   • 质量：清晰无背景噪音，发音标准、语速适中
   • 内容：建议包含不同声调、不同情绪的发音，覆盖更多音素

2. 数据集整理：

   • 单个音频文件直接上传即可
   • 多个音频文件可打包为 ZIP 压缩包上传（无需文件夹嵌套）

训练步骤：

1. 上传音频素材到「数据集上传」区域
2. 等待系统自动完成音频预处理（无需手动操作）
3. 配置训练参数：
   • 训练轮次（Epoch）：建议 100~300 轮（默认 200）
   • 学习率（Learning Rate）：建议 1e-4 ~ 5e-4（默认 2e-4）
   • 批次大小（Batch Size）：根据显存调整，建议 2~8（默认 4）
4. 点击「开始训练」按钮，系统会自动开始训练
5. 实时查看训练进度和 Loss 曲线，Loss 稳定在较低值时可停止训练
6. 训练完成后，在「模型测试」区域输入文本即可测试克隆效果
7. 满意后可导出 LoRA 模型文件保存使用

训练建议：

• 高质量的素材比长时间训练效果更好
• 建议训练 200 轮左右，观察 Loss 曲线趋于平稳即可停止
• 如果出现过拟合（训练集效果好，测试集效果差），可适当减少训练轮次
• 显存不足时可减小批次大小，或降低训练数据分辨率

⚙️ 高级配置

自定义音色导入

1. 将训练好的 LoRA 模型文件（.pt 格式）上传到 /root/VoxCPM-main/models/lora/ 目录
2. 重启语音生成服务：supervisorctl restart voxcpm
3. 刷新 8808 端口页面，即可在音色列表中看到自定义音色

❓ 常见问题

Q：8808/7860 端口访问不了？

A：

1. 检查服务是否正常运行：supervisorctl status
2. 检查端口是否监听：netstat -tulpn | grep -E "8808|7860"
3. 检查防火墙是否开放端口：ufw status，如需开放执行 ufw allow 8808 && ufw allow 7860

Q：语音生成速度慢？

A：

• 首次生成需要加载模型，后续会加快
• GPU 环境生成速度远快于 CPU 环境，建议使用 GPU 服务器
• 长文本生成建议分段处理

Q：声音克隆效果不好？

A：

1. 检查音频素材质量，是否有背景噪音、发音不清晰等问题
2. 增加训练素材时长，建议 5 分钟以上
3. 调整训练参数，增加训练轮次
4. 尝试使用更大的基础模型

Q：训练过程中断了怎么办？

A： 训练会自动保存 checkpoint，重新点击「开始训练」会自动从最近的 checkpoint 继续训练，无需从头开始。

Q：如何清空训练数据？

A： 点击界面「清空数据集」按钮，或手动删除 /root/VoxCPM-main/data/train/ 目录下的文件。

🔗 相关链接

• 项目官网：https://github.com/OpenBMB/VoxCPM/
• 社区交流：加入优云智算社区获取更多技术支持