多人对话有声书制作软件VoxCPM Windows版整合包，高质量声音克隆语音合成工具

前几天调试了刚出的omnivoice，本次再分享一个语音合成（TTS）领域的开源天花板——VoxCPM。我基于原版功能增加了多人对话语音合成功能，因为之前分享的时候有用户有多人对话语音合成需求，这次顺便增加了这个功能。

一、 什么是 VoxCPM？

VoxCPM（目前最新核心为 VoxCPM2）是由 OpenBMB 团队开源的顶尖 TTS 系统。它的核心优势在于采用了 Tokenizer-Free（无分词器）的端到端扩散自回归架构，底层基于拥有 20 亿参数的 MiniCPM-4 模型。

简单来说，它不仅声音极其自然逼真，而且支持 48kHz 的录音室级别音质输出。它在超过 200 万小时的多语种数据上进行了训练，原生支持 30 种语言。你不需要繁琐的音素标注，直接输入文字，它就能“读懂”上下文的语境，自动生成带有恰当情感和停顿的语音。

二、 核心功能与独家升级

在这个一键包中，你不仅能体验到原汁原味的 VoxCPM 强大功能，还能使用我专门定制的提效工具：

1. 基础能力：零样本克隆与音色设计

• 声音克隆 (Voice Cloning)： 只需要提供一段几秒钟的纯净参考音频，模型就能完美复刻说话人的音色。并且你还可以通过文字指令去微调生成语音的语速、情感（例如在文字前加上：稍微快一点，语气兴奋）。
• 音色设计 (Voice Design)： 手头没有参考音频？没关系。直接用自然语言描述你想要的声音，比如输入 (一位年轻女性，声音温柔甜美)，模型就能凭空为你“捏”出一个专属声音。
• 语境感知 (Context-Aware)： 哪怕不加任何提示词，模型也能根据你输入的文本内容（比如疑问句、感叹句、或者悲伤的台词），自动推断出最适合的语气和语调。

2. 🔥 新增：多人对话语音合成

原版模型一次只能合成单人的声音，如果你在做有声书、播客或者剧情视频，需要频繁切换音色并手动在剪辑软件里拼接音频，非常耗时。

为了解决这个痛点，我在前端界面中加入了多人对话剧本解析功能。

• 用法： 你只需按指定格式输入多角色的对话剧本（例如：[sp1]你好！\n [sp2]嗨，好久不见。），提取上传的每个音频素材为音色进行语音合成。
• 效果： 软件会自动切割剧本，分角色调用底层模型进行合成，并在最终自动拼接成一个完整的多人对话长音频，极大提升了内容创作者的效率。

三、 整合包用法说明

作为免安装的绿色整合包，使用方法极其简单：

1. 下载压缩包后，将其解压到一个纯英文路径的文件夹中。
2. 双击根目录下的 启动软件.exe，等待后台加载模型（首次加载时间取决于你的硬盘和显卡速度）。
3. 加载完成后，会自动在浏览器弹出可视化操作界面。
4. 在界面导航中选择单人或多人语音合成模式

VoxCPM2单人语音合成的三种方式：

🎨 声音设计（Voice Design）
无需参考音频。在 Control Instruction 中描述目标音色特征（性别、年龄、语气、情绪、语速等），VoxCPM2 即可为你从零创造独一无二的声音。

🎛️ 可控克隆（Controllable Cloning）
上传参考音频，同时可选地使用 Control Instruction 来指定情绪、语速、风格等表达方式，在保留原始音色的基础上灵活控制说话风格。

🎙️ 极致克隆（Ultimate Cloning）
开启 极致克隆模式 并提供参考音频的文字内容（可自动识别）。模型会将参考音频视为已说出的前文，以音频续写的方式完整还原参考音频中的所有声音细节。注意：该模式与可控克隆模式互斥，将禁用Control Instruction。

多人对话语音合成

最多支持 5 人。左侧按顺序上传音频：第 1 个是 [sp1]，第 2 个是 [sp2]。。。

右侧每行一个说话人文本

[sp1]你好啊。
[sp2]你好，很高兴见到你
[sp1]我们开始测试多人对话合成吧。

四、 注意事项

1. 硬件要求： 英伟达显卡显存不低于6G，使用前先更新英伟达显卡驱动
2. 系统要求：windows 10 或 11
3. 路径警告： 这是很多新手最容易踩的坑——请务必保证整合包所在的路径中没有任何中文字符或特殊符号以及空格，否则极易导致底层程序找不到路径而报错。
4. 合理合规使用： 请大家务必在法律允许的范围内使用声音克隆功能。切勿将未经授权的他人声音用于非法、侵权或欺诈用途。

VoxCPM多人对话语音合成工具下载链接

https://pan.quark.cn/s/af8ec972f839