AI 配音工具越來越厲害，但主流服務像 ElevenLabs 都是雲端訂閱制，字數一多錢包就在哀嚎，而且要把自己的聲音上傳到別人的伺服器，總是有點毛毛的。有沒有「免費、開源、可以在自己電腦離線跑」的選擇呢？
有的！開發出 MiniCPM 系列的 OpenBMB 團隊，在 2026 年 4 月開源了 VoxCPM2：一個 20 億（2B）參數的文字轉語音（TTS）模型，用超過 200 萬小時的多語言語音資料訓練，支援 30 種語言（當然包含中文，甚至還有粵語、閩南話等方言），輸出 48kHz 錄音室等級音質。GitHub 上已累積超過 3.4 萬顆星，是目前最熱門的開源 TTS 專案之一。
最有趣的是它的「Voice Design」功能——不用任何參考音檔，只要用一句話描述「中年男性、聲音低沉、講話慢條斯理」，它就能憑空生出一個符合描述的聲音。這篇文章阿正老師就帶大家在 Windows 和 Mac 上把 VoxCPM2 裝起來玩！
文章目錄
一、VoxCPM2 是什麼？
VoxCPM2 是 OpenBMB 於 2026 年 4 月發布的開源 TTS 模型，架構上走「tokenizer-free」路線：不像傳統 TTS 先把聲音切成離散 token，而是透過擴散自迴歸（diffusion autoregressive）架構直接生成連續的語音表示，講起話來更自然、更有感情起伏。底層以 MiniCPM-4 為骨幹，搭配 AudioVAE V2 的內建超解析度設計，餵 16kHz 的參考音檔也能直接輸出 48kHz 高音質。
授權是最佛心的 Apache 2.0——權重、程式碼全開源，商用也免費。想先聽聽效果再決定要不要安裝的話，官方在 Hugging Face 上有線上試玩 Demo，瀏覽器打開就能玩。
| 官方網站 | https://github.com/OpenBMB/VoxCPM |
| 最新版本 | VoxCPM2（2B）（發布日期2026-04） |
| 支援系統 | Windows / macOS（Apple Silicon 支援 MPS）/ Linux；另有 GGUF 版可純 CPU 執行 |
| 費用 | 免費（Apache 2.0 開源，可商用） |
| 中文支援 | ✅ 支援中文，另含粵語、閩南話等 9 種中文方言（介面與文件以英文／簡中為主） |
二、三大招牌功能：語音設計、聲音克隆、30 種語言
1. Voice Design 語音設計。不需要任何參考音檔，直接用自然語言描述想要的聲音——性別、年齡、音色、情緒、語速都可以指定，模型就會「無中生有」一個新聲音。做 Podcast 旁白、遊戲 NPC 配音、有聲書角色，再也不用到處找音源。
2. 聲音克隆（Voice Cloning）。提供一小段參考音檔加上對應的逐字稿，模型就能延續該聲音的音色、節奏、情緒與風格來唸你給的文字，還能再用文字描述微調風格（Controllable Voice Cloning）。
3. 30 種語言直接合成。中、英、日、韓、法、德、西、泰、越等 30 種語言，輸入文字就能直接合成，不用加語言標籤，還支援粵語、閩南話、四川話等中文方言。官方公布的中文合成錯誤率（CER）在 1% 上下，屬於目前開源模型的前段班。
三、環境需求：你的電腦跑得動嗎？
- Python：3.10 以上、3.13 以下
- PyTorch：2.5.0 以上（NVIDIA 顯卡需 CUDA 12.0 以上）
- 顯示記憶體（VRAM）：官方文件標示約 5～8GB（依執行設定與精度而異）
- Mac 用戶：Apple Silicon 可走 MPS 加速；也可用社群維護的 GGUF 量化版（llama.cpp-omni）在 CPU／Metal 上跑，官方數據 M4 Pro 上 Q8_0 的 RTF 約 1.76（即生成 1 秒語音約需 1.76 秒）
以阿正老師的桌機（RTX 5070 12GB）來說，VRAM 是綽綽有餘的；官方數據 RTX 4090 上 RTF 可低到約 0.3，代表能做到即時串流生成。M4 Mac Mini 16GB 這類機器建議測試時可以觀察：MPS 模式與 GGUF 量化版哪個生成速度比較理想，以及長文本生成時的記憶體占用狀況。
四、安裝步驟（Windows／Mac）
官方已把套件上架 PyPI，安裝比想像中簡單。先確認電腦已安裝 Python 3.10～3.12，然後開啟終端機（Windows 用「命令提示字元」或 PowerShell、Mac 用「終端機」）：
步驟 1：建立虛擬環境（建議，避免跟其他 Python 套件打架）
python -m venv voxcpm-env # Windows 啟動： voxcpm-env\Scripts\activate # Mac / Linux 啟動： source voxcpm-env/bin/activate
步驟 2：安裝 VoxCPM
pip install voxcpm
步驟 3：第一次執行（會自動從 Hugging Face 下載模型權重）
voxcpm --text "歡迎收看軟體玩家！" --output demo.wav
模型權重從 Hugging Face 的 openbmb/VoxCPM2 下載，2B 模型檔案有數 GB，第一次執行請耐心等候；連 Hugging Face 不順的話，官方也支援改用 ModelScope 下載（pip install modelscope）。
五、網頁介面與指令用法
不想打指令的話，官方專案內建 Gradio 網頁介面。從 GitHub 下載（git clone）專案後，在專案資料夾執行：
python app.py --port 8808 # 然後用瀏覽器開啟 http://localhost:8808 # 指定運算裝置（auto / cpu / mps / cuda）： python app.py --device auto
指令列玩法也很直覺，舉幾個官方範例（中文說明由阿正老師加註）：
# 語音設計：用文字描述憑空生出新聲音 voxcpm --text "今天要介紹一款免費軟體" \ --instruction "年輕女性，聲音清亮，語速稍快，活潑" \ --output design.wav # 聲音克隆：參考音檔 + 逐字稿 voxcpm --text "這是聲音克隆測試" \ --prompt-audio my_voice.wav \ --prompt-text "參考音檔裡實際講的內容" \ --output clone.wav
（實際參數名稱請以 官方文件 為準，不同版本可能略有調整。）
六、常見問題與注意事項
- 裝不起來？最常見的原因是 Python 版本不符（必須 3.10～3.12）或 PyTorch／CUDA 版本太舊，先用
python --version確認版本再安裝。 - 生成的聲音跟想像不一樣？官方明確說明 Voice Design 與克隆的結果每次執行會有差異，建議同一組設定多生成 1～3 次挑最好的，這是已知限制不是你的問題。
- 沒有獨立顯卡？可以走 GGUF 量化版（llama.cpp-omni 等社群方案）用 CPU 跑，速度較慢但可用；或先用 Hugging Face 線上 Demo 過過癮。
- 繁體中文？模型支援中文合成，但訓練語料以簡中為主的可能性高，繁中文本直接輸入即可合成，發音細節（如破音字）建議測試時多留意。
想比較雲端方案的話，可以參考阿正老師之前寫的 ElevenLabs AI 語音教學；如果你已經在玩本地 AI，VoxCPM2 跟 Ollama、LM Studio 搭配起來，文字生成＋語音合成就能全部在自己電腦完成。
七、阿正老師的總結
✅ 優點
- 完全免費開源（Apache 2.0），商用也 OK
- 本地離線執行，聲音資料不出自己電腦
- Voice Design 用一句話就能「設計」新聲音
- 30 種語言＋中文方言，48kHz 高音質輸出
- 生態豐富：GGUF、ONNX、vLLM 加速方案齊全
⚠️ 缺點
- 需要基本的終端機操作能力，門檻比雲端服務高
- 建議有 5～8GB VRAM 的顯卡，純 CPU 跑較慢
- Voice Design／克隆結果每次生成有隨機差異
- 介面與文件以英文／簡中為主，無繁中介面
阿正老師點評：VoxCPM2 最適合三種人：不想付訂閱費的內容創作者、在意隱私想離線跑的本地 AI 玩家，以及需要大量配音的開發者（商用免費太香了）。如果你只是偶爾要一段配音，先玩 Hugging Face 線上 Demo 就好；玩上癮了再裝到自己電腦，一毛錢都不用花。
你的電腦也能開口說話了
從本地 LLM 到本地 TTS，開源 AI 已經把整條內容生產線搬進個人電腦。你會拿 VoxCPM2 來做什麼？Podcast 旁白、影片配音，還是幫自己的專案加上語音功能？
歡迎在下面留言跟阿正老師分享！
