需要 Docker，以及 Windows 或 Linux 上受支持的 NVIDIA GPU。测得的 Nano 基准在 RTX 5070 Ti 上峰值显存为 8,491 MiB；12 GB 是保守档位。每块 GPU 运行一个模型服务容器。
创意且自然的语音 稳定版 v1.0 或滚动 latest
VoxCPMTTS
在自己的 GPU 上设计、克隆和流式生成 30 种语言的声音。
一个本地 VoxCPM2 工作空间，支持 30 种语言生成、声音设计、参考音频与转录引导克隆、可复用配置、渐进式 MP3 流式传输和 HTTP API。
打开生成进行自然语音或声音设计，或打开克隆以上传或录制已获同意的参考音频。流式提供渐进播放，声音保存可复用配置，API 和系统显示集成与运行时详情。
文本、参考音频、保存的声音配置和生成语音都保留在运行容器的机器上。只克隆你拥有权利并已获得同意的声音；切勿用于冒充、欺诈、骚扰或欺骗。Docker 镜像中的各组件保留各自的许可条款。
包含内容
完整的本地工作空间，不只是一个模型。
- VoxCPM2 支持 30 种语言生成
- 声音设计、参考音频克隆和转录引导克隆
- 持久化、可复用的声音配置
- 渐进式 MP3 流，以及 WAV、MP3、FLAC 和 OGG
- 生成、克隆、流式、声音、API 和系统视图
- 采用 CUDA 图的 Nano-vLLM，实测中位 RTF 为 0.271
实际应用界面
六个专注工作区，用于富有表现力的本地语音。
生成处理自然语音和可选声音设计。克隆接受录制或上传的参考音频，流式提供渐进播放，声音保存可复用配置，API 和系统展示服务与 GPU 运行时。
