0VoxCPM2 声音克隆系统webui开机即用 构建by科哥
bug反馈可以加入科哥专属群交流➕ 广告勿进！
-
已经设置开机运行 首次加载大模型时间比较久，具体看 仙宫云OS的 【运行日志查看】
-
1、打开 【WebUI】即可进入使用界面；
-
2、卡顿时候，点击【重启应用】，释放资源，等待完成启动，再次打开 【打开应用】即可进入使用界面；
-
3、打开【后台查看】，可以查看生成视频的具体进度；
-
控制面板的请到仙宫云os，然后打开使用
-
4、模型及源码更新地址：
-
有问题请微信科哥： 312088415
VoxCPM2 WebUI 用户使用手册
VoxCPM2 是来自面壁智能的多语言创意语音合成系统，支持声音设计、音色克隆和极致克隆三种模式。本手册指导你从打开页面到获得音频，全程操作。
一、启动应用
在终端执行以下命令启动应用（推荐使用 start_app.sh，它会自动清理端口和 GPU 残留进程）：
bash start_app.sh
启动后终端会依次显示：
>>> Step 1/3 — 检查并释放端口 7860
>>> Step 2/3 — 清理 GPU 显存
>>> Step 3/3 — 启动 VoxCPM2 主程序
[start.sh] Backend is ready (Xs elapsed).
[start.sh] Starting Gradio WebUI on 0.0.0.0:7860 ...
看到 Backend is ready 后，打开浏览器访问：
http://<服务器IP>:7860
首次启动模型加载需要 1～2 分钟，后续热启动较快。
二、页面布局
打开页面后，你会看到左右两栏布局：
┌─────────────────────────────────────────────────────┐
│ VoxCPM Logo │
│ 使用说明简介 │
├──────────────────────┬──────────────────────────────┤
│ 左栏（输入区） │ 右栏（输出区） │
│ │ │
│ 🎤 参考音频 │ 生成结果（播放器） │
│ 🎙️ 极致克隆开关 │ │
│ 🎛️ 风格指令 │ 使用示例 & 方言指南 │
│ ✍️ 合成文本 │ │
│ ⚙️ 高级设置（折叠） │ │
│ 🔊 开始生成 按钮 │ │
└──────────────────────┴──────────────────────────────┘
三、三种使用模式
模式一：声音设计（Voice Design）
适合场景：不需要参考音频，从零创造一个新声音。
操作步骤：
-
参考音频 — 留空，不上传任何音频
-
风格指令 — 用文字描述你想要的声音特征，中英文均可
示例：年轻女性，温柔甜美，语速适中 示例：A deep baritone male voice, slow and authoritative 示例：暴躁中年男声，语速飞快，充满无奈 -
合成文本 — 输入要朗读的内容
-
点击 🔊 开始生成
模式二：可控克隆（Controllable Cloning）
适合场景：有一段参考音频，想克隆其音色，同时可以调整情绪/语速等风格。
操作步骤：
-
参考音频 — 点击上传区域选择音频文件，或点击麦克风图标录音
- 支持格式：WAV、MP3、M4A 等常见格式
- 时长限制：不超过 50 秒，推荐 5～30 秒的清晰录音
-
极致克隆模式 — 保持关闭状态（默认关闭）
-
风格指令（可选） — 在保留原始音色的基础上，叠加情绪/风格控制
示例：语速快一些，充满活力 示例：情绪低沉，带一点悲伤 -
合成文本 — 输入目标文本
-
点击 🔊 开始生成
模式三：极致克隆（Ultimate Cloning）
适合场景：需要最高精度地还原参考音频的音色、节奏、呼吸感等全部细节。
操作步骤：
-
参考音频 — 上传参考音频（要求同上）
-
开启极致克隆模式 — 点击 🎙️ 开关，切换为开启状态
-
参考音频文本 — 开关开启后，系统会自动对参考音频进行 ASR 语音识别，识别结果自动填入文本框。
- 等待几秒识别完成
- 识别结果可以手动编辑纠正，文本越准确，克隆效果越好
⚠️ 注意：该模式下风格指令自动禁用，若需要风格控制请改用可控克隆。
-
合成文本 — 输入目标文本
-
点击 🔊 开始生成
四、高级设置
点击 ⚙️ 高级设置 展开以下选项：
参考音频降噪增强
- 功能：使用 ZipEnhancer 对参考音频进行降噪，适合在嘈杂环境下录制的参考音频
- 建议：参考音频质量已经很好时无需开启，开启会增加约 5～10 秒的处理时间
文本规范化
- 功能：自动将文本中的数字、日期、符号转换为可朗读的形式
- 示例：
2024年5月1日→二零二四年五月一日；$100→one hundred dollars - 建议：文本含大量数字/符号时开启，纯自然语言文本可关闭
CFG 引导强度（1.0 ～ 3.0，默认 2.0）
| 数值 | 效果 |
|---|---|
| 1.0 ～ 1.5 | 生成风格更自由，音色变化更丰富 |
| 2.0 | 默认平衡值，推荐大多数场景 |
| 2.5 ～ 3.0 | 更严格贴合参考音色/风格指令，但自然度可能略降 |
五、获取生成结果
生成完成后，右栏会出现音频播放器：
- 播放：点击播放按钮直接试听
- 下载：点击播放器右侧下载图标保存到本地
所有生成的音频同时会自动保存在服务器的 outputs/ 目录，文件名格式：
outputs_20260608143022_a1b2c3.mp3
服务器端文件保留 7 天后自动清理。
六、方言与多语言
VoxCPM2 支持多种语言和方言，使用方言时需要在合成文本中直接使用方言词汇，普通话翻译过来的文字无法产生地道方言效果。
广东话示例：
- ✅ 合成文本：
伙計，唔該一個A餐，凍奶茶少甜！ - ❌ 错误写法：
伙计，麻烦来一个A餐，冻奶茶少甜！
河南话示例：
- ✅ 合成文本：
恁这是弄啥嘞？晌午吃啥饭？ - ❌ 错误写法：
你这是在干什么呢？中午吃什么饭？
💡 小技巧：不知道方言怎么写？可以用豆包、DeepSeek、Kimi 等 AI 助手将普通话翻译为方言文本，再粘贴到合成文本中。
七、风格指令写法参考
人物角色类
| 效果 | 风格指令示例 |
|---|---|
| 深沉女性 | 中老年女性，声音低沉阴冷，语速缓慢而有力，带有威慑感 |
| 暴躁教练 | 暴躁的中年男声，语速快，充满无奈和愤怒 |
| 温柔助手 | 年轻女性，声音温柔，语速适中，充满亲和力 |
| 正式播音 | 男性播音腔，字正腔圆，语速均匀，情绪稳定 |
情绪控制类
| 效果 | 风格指令示例 |
|---|---|
| 开心 | 活泼开朗，语速轻快，带有笑意 |
| 悲伤 | 声音略带哽咽，语速缓慢，情绪低落 |
| 激动 | 兴奋激动，语速加快，语调上扬 |
| 严肃 | 语气严肃认真，不带情绪波动 |
英文场景
A warm and friendly young female voice, speaking at a moderate pace
A deep authoritative male narrator, slow and deliberate
Excited sports commentator, fast-paced and energetic
八、常见问题 FAQ
Q：点击"开始生成"后一直转圈，没有结果？
正常情况。首次请求需要加载模型（约 30～60 秒）。后续请求通常在 10～30 秒内完成，具体取决于文本长度和服务器 GPU 性能。如果超过 5 分钟无响应，请检查服务器后端是否正常运行（查看
logs/backend.log）。
Q：上传参考音频后报错"参考音频太长了"？
参考音频时长限制为 50 秒以内。请裁剪音频后重试，推荐使用 5～20 秒的清晰片段。
Q：极致克隆模式下，ASR 自动识别的文字不准确怎么办？
直接在文本框中手动修改识别结果即可，文本越准确克隆效果越好。特别是人名、地名、专业词汇建议手动核对。
Q：生成的声音和参考音频差异很大？
建议：
- 参考音频尽量清晰，背景噪音少（或开启"参考音频降噪增强"）
- 使用极致克隆模式（精度高于可控克隆）
- 适当提高 CFG 引导强度（调至 2.5～3.0）
- 参考音频时长在 5～30 秒为佳
Q：生成的声音有杂音或音质差？
检查参考音频质量，建议：
- 使用高质量 WAV 格式（44100Hz 或 48000Hz，16bit 以上）
- 避免压缩过度的音频（如低码率 MP3）
- 开启"参考音频降噪增强"
Q：生成的中文数字读法奇怪（如"2024"读成"两千零二十四"而非"二零二四"）？
开启"文本规范化"，或手动将数字改为汉字形式，如
二零二四年。
Q：如何生成方言？
在合成文本中直接用方言词汇书写，并在风格指令中注明方言类型（如"粤语"、"闽南话"）。不知道方言怎么写可以借助 AI 翻译工具。
Q：页面提示"后端暂时不稳定，请稍后重试"？
后端模型推理失败。请查看
logs/backend.log确认错误原因，常见原因包括 GPU 显存不足、模型文件损坏等。重新执行bash start_app.sh通常可解决。
Q：多人同时使用会排队吗？
是的，系统内置请求队列（默认最多 10 个排队），GPU 同一时刻只处理一个推理任务，多用户会依次排队处理。
Q：生成的音频文件保存在哪里？
服务器端自动保存在项目目录的
outputs/文件夹，文件名包含时间戳，保留 7 天。也可以通过页面播放器直接下载到本地。
九、操作流程速览
打开浏览器访问 http://<IP>:7860
│
├─ 只想设计一个新声音？
│ └─ 填写风格指令 → 填写合成文本 → 点击生成
│
├─ 有参考音频，要克隆音色？
│ └─ 上传参考音频 → 可选填风格指令 → 填写合成文本 → 点击生成
│
└─ 要最高精度克隆？
└─ 上传参考音频 → 开启极致克隆 → 等待/修正ASR文本
→ 填写合成文本 → 点击生成
│
▼
右栏出现播放器 → 播放 / 下载
认证作者
支持自启动