English | 繁體中文
本專案是基於 OpenBMB 最新開源的 20 億參數語音合成大模型 VoxCPM2 所開發的離線桌面 GUI 應用程式。整合了語音設計、聲音複製、極限複製，並配有現場即時錄音測試功能，讓使用者無需撰寫程式碼即可在 Windows 電腦上體驗高品質的 AI 語音生成。
- 麥克風動態選取：動態偵測並列出系統中所有可用的音訊輸入設備。
- 即時音波波形：內建音量波形視覺化，錄音時可在畫面上即時看到粉紅波紋跳動，確保聲音正常錄入。
- 一鍵套用：錄音完後，可點選按鈕直接將該 WAV 音檔與對應的逐字稿套用至「聲音複製」或「極限複製」分頁中。
- 無中生有：無需任何參考音檔，直接在輸入文字開頭加上括號並輸入英文特徵描述（如
(A gentle young female voice, smiling)），即可創造出完全符合描述的獨特人聲。 - 快速預設面板：內建台灣國語、日語、英語、韓語等十餘種精美預設音色範本，點擊即可快速套用。
- 📋 批次合成 (有聲書神器)：可將長文章或小說分行輸入（一行一句），系統會自動在背景逐句合成為單獨的音檔，防止記憶體溢出或大模型長上下文崩潰。
- 極短參考音：僅需 3~10 秒乾淨的人聲錄音，即可快速模仿該發音人的音色特徵。
- 隨機 Take 生成：預設不固定隨機種子，每次生成音色不變，但說話的語氣、停頓與停頓間隔皆有不同，方便您挑選最生動的版本。
- 無縫接續：同時提供參考音檔與該音檔的對應逐字稿。模型會將這段語音作為時間線的前文，百分之百無縫延續說出您的目標文字，完美繼承發音人原本的呼吸、語調起伏、環境雜音與情感。
- 作業系統：Windows 10/11 (64-bit)
- Python 版本：Python 3.8 ~ 3.11
- 硬體建議：
- 模型參數量為 2B (約 20 億參數)，主模型權重大小約 4.63 GB。
- 建議配備有 NVIDIA 顯示卡 (VRAM 建議 >= 6GB) 並安裝 CUDA 環境以啟用 GPU 加速，可達到秒級生成的極速體驗。
- 若無 GPU，程式會自動切換為 CPU 模式運行（生成速度會慢約數十倍）。
git clone https://github.com/您的帳號/Studio0808_VoxCPM.git
cd Studio0808_VoxCPM強烈建議使用 Anaconda 或 venv 建立乾淨的虛擬環境。
pip install -r requirements.txtpython Studio0808_VoxCPM.py本工作站為全離線運行，不會將任何語音或文字上傳至雲端。
- 開啟程式後，切換至 「系統設定」 分頁。
- 選擇下載伺服器來源：
- Hugging Face 官方（海外或台灣地區推薦，頻寬最高）
- ModelScope / 鏡像站（中國大陸地區推薦）
- 點選 「開始下載 / 檢查模型」。
- 下載程式支援** Range 斷點續傳與自動重試機制**，如中途網路不穩，再次點擊即可在原進度續傳，下載完成後程式便能完全離線運作。
- 同音字替換：因為輸入的目標文字僅用於 AI 合成語音，聽眾只會聽到聲音、看不到文字。
- 實例：
- 模型若將「連假」讀成三聲的「連甲」，可將文字修改為 「連架」 或 「連價」 即可強行唸出四聲。
- 若生僻字「狂飆」唸錯，可將其改為同音常見字 「狂標」 即可。
- 3~10 秒為黃金長度：錄音時間並非越長越好。過長的參考語音（例如超過 30 秒）會大幅占用自迴歸模型的注意力窗口，反而容易導致生成後半段文字時出現跳針、胡言亂語或提早中斷等問題。請優先使用 5~8 秒、乾淨無背景音樂且說話清晰的短語音。
- 本專案底層採用 OpenBMB 開源之 VoxCPM2 模型，該模型依 Apache License 2.0 協議授權。
- 本工具僅供學術研究、測試與技術評估之用，請遵守相關法律法規，切勿將合成的語音用於非法或未授權之傳播。
- 版權所有 © 2026 Studio0808.