独立开发者用 VoxCPM 复刻千万粉网红声音，实时对话端到端延迟仅 3 秒

面壁智能 · wechat · 2026-08-07

独立开发者叶小叔分享了使用面壁智能开源模型 VoxCPM 构建实时语音对话系统的全过程。他尝试了 STT→LLM→TTS 的三段式架构，发现主流云端 TTS（如 Cartesia）在中文表现不佳，而本地小模型推理又太慢。

最终他选择将 VoxCPM 部署在云 GPU（RunPod L4，$0.4/小时）上，实现了首包延迟不到 1 秒、端到端 2-3 秒的流畅体验。他总结出一个反直觉经验：VoxCPM 的默认参数在音色相似度与自然度间已达最佳平衡，开启依赖参考音频的“极致克隆”反而会引入不必要的情绪波动。该 Demo 在抖音获百万播放，验证了开源语音模型在情绪陪伴场景的潜力。