VoxCPM1.5

VoxCPM 语音系列

将 VoxCPM1.5 接入现有中英语音项目，按需选择 Python 集成、CLI 批处理或本地离线运行。部署时固定模型 ID，并检查输出采样率、并发管理及已有生态后端的版本兼容性。

VoxCPM1.5 适合中英双语的既有 1.x 工程、44.1kHz 输出和提示音频续写式声音克隆。部署时应显式固定模型 ID，避免当前 voxcpm CLI 默认加载 VoxCPM2。

部署信息

项目	值或说明
模型	openbmb/VoxCPM1.5
语言	中文、英文
输出	44.1kHz
参考显存	官方系列 README 约 6 GB；具体值随设备、降噪器与请求而变化。
RTX 4090 RTF	官方版本历史约 0.15。
克隆输入	提示音频与准确转写；不支持 VoxCPM2 的隔离参考通道。

应用内 Python 部署

Python

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
    "openbmb/VoxCPM1.5",
    load_denoiser=False,
)

def synthesize(text: str, output: str) -> str:
    wav = model.generate(
        text=text,
        cfg_value=2.0,
        inference_timesteps=10,
    )
    sf.write(output, wav, model.tts_model.sample_rate)
    return output

模型应在进程启动阶段加载一次。应用层负责并发队列、请求超时、文本切分、输出文件清理和异常重试；不要在每个请求内重新下载或加载模型。

CLI 与批处理

Bash

# 单条文本
voxcpm design   --hf-model-id openbmb/VoxCPM1.5   --text "这是 VoxCPM1.5 的部署验证。"   --output out.wav

# 每行一条文本
voxcpm batch   --hf-model-id openbmb/VoxCPM1.5   --input texts.txt   --output-dir outputs

# 批量克隆
voxcpm batch   --hf-model-id openbmb/VoxCPM1.5   --input texts.txt   --output-dir clone_outputs   --prompt-audio speaker.wav   --prompt-text "提示音频中实际说出的完整文本。"

本地模型与离线运行

Python

from huggingface_hub import snapshot_download

snapshot_download(
    "openbmb/VoxCPM1.5",
    local_dir="./models/VoxCPM1.5",
)

Bash

voxcpm design   --model-path ./models/VoxCPM1.5   --local-files-only   --text "离线部署验证。"   --output offline.wav

将模型目录、Python 包锁文件和仓库 commit 一并纳入发布物。仅缓存 Hub 权重而未固定运行代码，仍不能保证可复现。

Web Demo

Bash

git clone https://github.com/OpenBMB/VoxCPM.git
cd VoxCPM
pip install -e .
python app.py --device auto --port 8808

Web Demo 会额外使用 SenseVoice-Small 做提示音频转写，按需使用 ZipEnhancer 做音频增强。它适合试听和内部验证，不自带生产服务需要的鉴权、限流与审计。

生态后端

OpenBMB 系列 README 为 Nano-vLLM 列出了 VoxCPM1.5 在 RTX 4090 上约 0.08 的参考 RTF，但 Nano-vLLM-VoxCPM 是独立维护的生态项目。使用前应在其仓库确认当前版本是否支持 VoxCPM1.5 权重、输出采样率和所需接口。vLLM-Omni 与 llama.cpp-omni 的官方示例当前聚焦 VoxCPM2，不应默认推定可直接加载 VoxCPM1.5。

生产验证

项目	检查内容
质量回归	中英、数字、长短句、提示音频续写与无提示生成。
性能	RTF、首包延迟、总延迟、并发、显存峰值与失败率。
音频	确认输出为 44.1kHz；降噪开启时单独检查是否降为 16kHz。
输入	限制文本与音频长度，验证文件格式，拒绝损坏或多人重叠音频。
安全	说话人授权、访问控制、AI 生成标识和敏感音频日志最小化。