面壁智能转发过创作者用 VoxCPM 制作日语内容、驱动不露脸视频频道更新的案例。这个信息让不少内容团队第一次认真关注 VoxCPM 这类开源语音模型。VoxCPM 可以理解为面壁智能相关语音生成方向的开源模型系列核心任务是把文本转成语音不同版本的模型支持的语言范围并不相同有的偏多语言有的针对中文或方言做了专门优化。对做不露脸频道的创作者来说它真正的价值不是“自动涨粉”而是把旁白、口播、解说、课程类视频的生产门槛降到“写脚本 调用模型 后期质检”这条链路里。你在本文会看到为什么这类模型适合做外语旁白怎么在本地准备环境怎样把一段日语文案切分成适合合成的句子再围绕“只输出粤语”这一类方言限制需求讲清楚可行边界。最后会给出实际配音中最容易踩的坑和一套发布前检查清单。所有命令和代码都按通用工程写法给出落地前请先核对 VoxCPM 当时发布版本的 README 和语言支持表。1. 为什么外语旁白可以交给 VoxCPM而不是录音师不露脸频道面对的核心问题不是“不想露脸”而是如何在不出镜的情况下保持内容节奏和声音质感。传统方案是先写脚本再自己录音但录音需要安静环境、稳定情绪和后期修音。如果内容方向是日语学习、日本文化、日语听力练习创作者还要额外解决外语发音问题。VoxCPM 这类 TTS 模型把这些问题转移成文本问题只要文本正确、分段合理、语言标签正确就能得到一条相对稳定的语音素材。1.1 从标题案例拆出三类真实需求标题里“制作日语内容”和“不露脸频道涨粉”放在一起背后可以拆成三类需求。第一类是内容生产不依赖真人出镜。频道仍然需要有固定人设、有声音记忆点但音频可以由 TTS 生成人可以只负责选题、写稿、剪辑和发布。第二类是跨语言表达。创作者的母语不一定是日语或者创作者能写日语但不熟悉口语断句这时模型生成可以提供参考发音再由人工校对。第三类是声音一致性。频道的固定开场、固定旁白如果能保持一致音色观众会形成识别度。这三类需求组合在一起正好是开源语音合成模型的典型使用场景。需要说明TTS 不解决选题和内容传播它解决的是“稳定产出音频”这个工程环节。涨粉仍然依赖选题判断、内容密度、更新频率和数据迭代。1.2 从文本到 WAV理解 TTS 生产线上的关键环节在深入学习命令以前至少要理解模型内部大概做了什么事。一个现代语音合成系统通常不是“文本直接变成波形”的简单映射而是经过文本前端、声学模型、声码器或者端到端生成等多个阶段。环节作用制作人需要关心的问题文本前端处理数字、标点、缩写、多音字日语文案里的长音、促音记号会否被忽略语言/说话人控制决定口音、语气、声线语言标签必须与文本一致声学模型预测音高、时长等中间表征长句容易积压错误处理到句号为止更稳声码器把中间表征还原成可听波形输出采样率和声道要统一后期音频处理响度、降噪、裁剪不同模型输出的 WAV 参数并不总一致理解这个链路后你会更清楚为什么“把超长正文一次性丢进去”不是好做法。文本前端越复杂错误传播就越明显。实操阶段应该先切句再逐句合成最后拼接。还有一点容易被忽略模型版本和权重文件会快速更新。网络博客上的参数可能来自几个月前的 release不一定适配当前版本。遇到 notebook 或博文里的代码优先看它发布时间与当前版本是否匹配。2. 环境准备从空目录到生成第一句日语很多语音模型的实际使用门槛并不在模型推理代码而在环境依赖、权重下载和音频参数统一。建议不要一上来就追求完整方言限制先让一句日语通过模型验证显卡、Python、依赖、音频输出都正常。2.1 Python 虚拟环境和硬件要求不管模型是否支持 CPU 推理我都会建议先建虚拟环境避免把 torch、audio 相关依赖直接装进系统 Python。VoxCPM 的具体 Python 版本要求要以项目 requirements 为准常见项目会要求 Python 3.10 及以上。这里给出通用流程python -m venv .venv # Windows PowerShell 使用 .venv\Scripts\Activate.ps1 source .venv/bin/activate python -m pip install --upgrade pip # 如果模型仓库带了 requirements.txt优先使用项目锁定的版本 pip install -r requirements.txt硬件方面学习调试环境和批量生产环境可以适度区分。资源学习调试环境小批量生产建议CPU现代多核 CPU 可以跑速度慢不建议成为日常主力GPUNVIDIA 显卡 8GB 显存起步显存越大长文本和并发能力越强内存16GB 以上32GB 以上更稳磁盘预留模型权重空间预留权重和成片音频空间如果只做几百句短音频CPU 也能完成只是每次生成耗时更长。生产环境要关注显卡驱动、CUDA 版本和 PyTorch 版本的匹配。官方 README 一般都给出验证过的 PyTorch 安装命令先按照那个安装不要自己随意升级 torch 覆盖锁定的版本。模型推理过程中torch、torchaudio、transformers或项目自定义包之间的版本冲突是最常见启动失败原因。2.2 下载权重并完成第一句日语权重文件模型较大。如果网络条件允许可以直接从模型仓库 clone如果项目发布在 ModelScope也可以使用 ModelScope SDK 下载。你不需要把所有内容都靠在单个命令上重点是最后得到一个本地模型目录。mkdir -p ~/models cd ~/models git lfs install git clone VoxCPM 模型仓库地址 VoxCPM下载完成后先查看模型目录下的 README 或模型配置文件。需要特别确认两件事第一这个版本支持哪些语言第二日语对应的是什么标签。有的模型用ja有的可能是japanese还有可能在语言列表里已经包含方言代码。这份信息比任何外部教程都准确。接下来写一个最小的生成函数。下面代码只是通用骨架用来表达“把生成封装成可复用函数”的设计思路不同 release 的类名和调用方式会不同必须按你下载的源码调整from pathlib import Path # 假设你有官方提供的 load_model 方法 # model load_model(models/VoxCPM) def text_to_wav(text: str, output_path: str, lang: str ja): 统一封装 VoxCPM 推理。 实际实现需要参考官方 API例如 audio model.synthesize( texttext, languagelang, speakerdefault, ) audio.to_wav(output_path) 先写这个函数是为了后续批量脚本只面对同一个接口。 print(f[TEXT] {text}) print(f[LANG] {lang}) # 在这里接入官方调用并保存音频 raise NotImplementedError(请根据官方 README 补齐模型调用)如果你不想现在封装函数也可以先运行项目自带示例脚本脚本里通常会有--text、--lang、--output这类参数。第一句日语建议用最简单内容python scripts/infer.py \ --model_dir ~/models/VoxCPM \ --text これはテストです。 \ --lang ja \ --output test.wav生成后用ffprobe检查音频参数。不同模型输出采样率可能不同常见为 24kHz、44.1kHz 或 48kHz声道可能是单声道或双声道。后面批量拼接前必须统一。ffprobe -v error -show_entries streamcodec_name,sample_rate,channels \ -of json test.wav命令行脚本的名字可能不是infer.py但这不影响理解核心逻辑加载模型、指定语言、传入文本、保存文件。先跑通这一步后面所有日语文案切割和批量生成才有意义。3. 日语旁白制作文案切分、批量生成与音频合成拿到第一句日语后下一步是把真实视频脚本变成一段完整旁白。最合理的单位不是段落而是句子。模型在短句上的稳定性通常远高于长句因此先做文本切割是必要步骤。3.1 按日语句号和顿点切分脚本日语正文常见的句边界是句号“。”也会出现“”和“”。可以直接用正则把这些记号保留在上一句末尾再切分。这里给出一个基础函数import re def split_sentences(text: str) - list[str]: 按日语句号切分文本切分后保留标点。 pieces re.split(r(?[。]), text) return [piece.strip() for piece in pieces if piece.strip()]对于没有句号的长段落可以进一步按“、”或逗号切分并控制每个块的长度。下面代码支持把超过 80 个字符的片段切成多个块def split_long_line(line: str, max_len: int 80) - list[str]: 将过长的单句拆成多个片段避免模型在超长文本上出错。 if len(line) max_len: return [line] clauses line.split(、) chunks: list[str] [] current for clause in clauses: candidate f{current}、{clause} if current else clause if len(candidate) max_len: if current: chunks.append(current) current clause else: current candidate if current: chunks.append(current) return chunks日语文案还会出现编号、半角片假名占位、欧美外来语。模型在训练时见过大量数字和外来语但在旁白这种需要稳定输出的场景里推荐把纯数字写成更接近口语读法的形式。例如“第 1 章”可以处理成“第一章”。不要迷信“模型都能听懂”你的目标是减少输入不确定性。3.2 批量生成并按顺序保存假设你已经有一个日语脚本文本文件。下面脚本先按段落切句再按长度限制切块最后把每个块按顺序输出为独立 WAV。这样即使某个片段生成失败只需要重新生成对应文件不需要整篇重来。from pathlib import Path raw_text こんにちは。今日は日本語の音声コンテンツを半分無料で作成できる方法を紹介します。 まず大切なのは、文を短くすることです。長い文は合成エラーが起きやすいからです。 segments: list[str] [] for paragraph in raw_text.splitlines(): sentences split_sentences(paragraph) for sentence in sentences: segments.extend(split_long_line(sentence, max_len80)) out_dir Path(./out/segments) out_dir.mkdir(parentsTrue, exist_okTrue) for index, segment in enumerate(segments, start1): wav_path out_dir / fsegment_{index:03d}.wav # 实际运行时取消下面注释并确认 text_to_wav 已经完成封装 # text_to_wav( # textsegment, # output_pathstr(wav_path), # langja, # ) print(index, segment)这里最关键不是一次性生成所有文件而是让“每一条音频都能追到来源句子”。文件名中包含序号后如果第 7 段发音不对就可以单独重生成第 7 段再覆盖原文件。不要把所有段直接拼在一个大模型调用里那样无法局部重试。3.3 拼接前先统一音频参数模型输出的 WAV 采样率可能并不一致尤其当你使用不同模型版本或不同说话人配置时。拼接前统一参数能避免最终视频里出现音高变化、速度快慢不一致等奇怪问题。先用ffprobe查看每段参数再批量转换到一个统一采样率。下面命令假设统一到 24000 Hz 单声道。实际上应该以模型推荐输出为准如果最终视频需要 44100 Hz可以在拼接后再升采样率。mkdir -p out/normalized for f in out/segments/*.wav; do ffmpeg -i $f -ar 24000 -ac 1 out/normalized/$(basename $f) -y done为了让每句话之间保留自然停顿可以先生成一段静音再在拼接列表里插入。静音时长建议从短开始比如 0.3 秒试听后再决定是否增大。300 到 500 毫秒的句间停顿通常比较自然。ffmpeg -f lavfi -i anullsrcr24000:clmono -t 0.3 out/silence.wav -hide_banner -loglevel error cat out/concat_list.txt EOF file normalized/segment_001.wav file silence.wav file normalized/segment_002.wav file silence.wav EOF ffmpeg -f concat -safe 0 -i out/concat_list.txt -c copy out/joined.wav如果源片段已经有句间停顿就不需要每句后面都加静音。最佳方式是先拼一小段再用播放器反复听找到停顿和语速的平衡点。拼接命令本身并不复杂复杂的是文案分段和静音插入策略是否贴合内容的情绪节奏。4. 多方言场景怎么让 VoxCPM 只输出粤语“voxcpm 如何限制只有粤语”这类搜索很能代表一个问题TTS 是多语言模型时如何不把话音“带偏”成普通话或别的语言。以粤语为例要做“只输出粤语”的方案得先从模型能力边界开始确认。4.1 先确认模型是否真的支持粤语不是所有语音模型都支持粤语也不是支持粤语文本就一定能稳定生成标准粤语发音。如果模型权重的预训练数据里缺乏粤语语料那么无论你在提示词里怎么强调输出仍然可能偏向普通话或模型主语言。这里的正确顺序是查看模型 README 的“Supported Languages”或“Languages”段落。确认粤语出现的方式。有的模型可能只支持普通话和英语有的会明确列出zh-yue、cantonese等标签。如果列表里没有粤语不要试图用“prompt 强制”实现。更好的选择是换用支持粤语的其他模型版本。如果列表里有粤语记录官方使用的方言代码生成时传入对应语言标签而不是传中文zh。表格可能比观察更直观你看到的信息解读下一步只写了中文可能只支持普通话继续查看文档细项写了 zh-yue 或 Cantonese版本考虑过粤语生成时使用对应语言代码代码里只出现 zh-CN大概率不支持粤语不要依赖语言提示词文档说明粤语需要参考音频走参考音频路线准备合规授权音频“限制只有粤语”的前提是模型知道粤语长什么样。如果模型本身已经把粤语和普通话混在一起后续限制几乎无效换模型才是根治方案。4.2 前端限制、后端校验和人工抽检当模型确实支持粤语时也不能只写一段粤语文本就认为万事大吉。多语言模型在生成过程中可能偶尔冒出普通话口音或者把某个汉字按普通话发音读出。应对方案可以分为三层。前端限制只向模型发送确定属于粤方言特征的文本。粤语书面文本中常见特征字包括“嘅、係、唔、喺、咗、啲、咁”等。可以写一个启发式筛查函数CANTONESE_MARKERS {嘅, 係, 唔, 喺, 咗, 啲, 咁, 啱} def has_cantonese_markers(text: str) - bool: 粗略判断文本是否像书面粤语。 return any(marker in text for marker in CANTONESE_MARKERS)这个函数不严谨因为不是所有粤语句子都会出现这些字但它能在批量脚本里拦住明显走错的文本。比如一段完全使用普通话语法的“我们一起去吃饭”不会包含上述特征字生成前就可以提示检查。后端校验生成音频后把音频送进语音识别或粤语识别引擎再把识别文本与输入文本进行比较。如果识别结果明显偏离粤语特征就标记为失败要求重新生成。要实现这一步需要项目里已经存在可用的粤语识别模型。如果模型不支持粤语识别不要用普通话识别结果冒充校验识别结果会把粤语强行转写成普通话造成误判。人工抽检批量场景里没有必要每句都人工听但最终的成片必须整体听一遍。尤其要注意声调、入声和尾音。视频发布后如果被观众指出发音奇怪再回看对应的原始文本和模型参数重新生成该句即可。还要提一个现实限制粤语在书写上存在“口语字优先”和“正字优先”两种风格。如果你用纯汉字写“几多钱”模型可能懂用标准书面语写“多少钱”模型则可能生成普通话。做“限粤语”内容时文案层就要采用粤语书面表达而不是先写普通话再指望模型翻译。5. 实际配音最容易翻车的几个场景和对策无论用 VoxCPM 做日语还是其他语言都会有固定几类问题。整理成排查表可以提高解决效率。问题现象常见原因检查方式处理建议长句出现尾音重复、吞字单次输入文本过长文本前端或声学模型累积错误看日志中分段长度重听长句按句切分单块控制在 80 字内片假名外来语发音不自然该类词汇在训练语料中比例不高单独生成外来语片段试听改成更常见的片假名写法或用参考音色连续生成多段音频声音忽高忽低、音色漂移批次生成时没有固定说话人、seed、参考音频对比前后文件频谱和听感固定 speaker ID设置随机种子使用同一参考音频音频出现爆音或削波模型输出动态过大后期直接导出过响用播放器查看波形顶端是否被切平经过 loudnorm 统一响度再做削波保护拼接后语速不一致每段模型推理时的语速波动听完整条并观察波形间距使用语速参数固定或重新生成异常句子合成结果只有杂音或空白输入文本有不可见字符或语言标签错误打印 repr(text)确认语言代码清理文本重新检查 lang 标签日语旁白常见的第二个问题与文本标注有关。日语里的长音经常表现为一个横线记号例如“コーヒー”。如果文本在复制过程中把长音符号变成了 Unicode 特殊字符或半角横线模型可能识别失败。建议在发送给模型前统一清洗文本。def clean_japanese_text(text: str) - str: 清洗常见异常空白和控制字符。 text text.replace(\u3000, ) # 全角空格转半角空格 text text.strip() return text另外不要忽略随机性问题。很多语音模型在相同输入下多次生成会得到略微不同的结果。如果希望每期频道声音一致至少需要固定三个因素模型版本、说话人编号或参考音频、采样参数中的随机种子。只固定模型权重而每期都换不同 speaker最终声音会像换了一个人。建议在项目里记录每次生成所需的元信息。下面是一段日志示例[2025-07-01 10:12:33] seg007 langja speakerdefault seed42 ok [2025-07-01 10:12:35] seg008 langja speakerdefault seed42 error: audio is empty记录这些日志后如果第 8 段连续失败你可以判断是文本问题还是模型问题而不是重新生成整期内容。6. 用一条可持续更新的产线管理日语旁白从个人尝试转成“固定更新频道”后单纯靠命令行生成越来越不够。一个可持续的配音产线应该包含目录管理、声音资产固定和发布前检查。这也决定了 VoxCPM 是否能真正支撑长期内容更新。6.1 每期内容都按独立目录归档建议每次制作前创建独立目录把文案、脚本、分段 WAV、最终成品、日志放在一起。content/episode_001/ ├── script.md ├── config.yaml ├── wav/ │ ├── segment_001.wav │ └── segment_002.wav ├── final/ │ ├── joined.wav │ └── final.mp3 └── logs/ VoxCPM开源语音模型实战：日语与粤语旁白生成全流程指南
面壁智能转发过创作者用 VoxCPM 制作日语内容、驱动不露脸视频频道更新的案例。这个信息让不少内容团队第一次认真关注 VoxCPM 这类开源语音模型。VoxCPM 可以理解为面壁智能相关语音生成方向的开源模型系列核心任务是把文本转成语音不同版本的模型支持的语言范围并不相同有的偏多语言有的针对中文或方言做了专门优化。对做不露脸频道的创作者来说它真正的价值不是“自动涨粉”而是把旁白、口播、解说、课程类视频的生产门槛降到“写脚本 调用模型 后期质检”这条链路里。你在本文会看到为什么这类模型适合做外语旁白怎么在本地准备环境怎样把一段日语文案切分成适合合成的句子再围绕“只输出粤语”这一类方言限制需求讲清楚可行边界。最后会给出实际配音中最容易踩的坑和一套发布前检查清单。所有命令和代码都按通用工程写法给出落地前请先核对 VoxCPM 当时发布版本的 README 和语言支持表。1. 为什么外语旁白可以交给 VoxCPM而不是录音师不露脸频道面对的核心问题不是“不想露脸”而是如何在不出镜的情况下保持内容节奏和声音质感。传统方案是先写脚本再自己录音但录音需要安静环境、稳定情绪和后期修音。如果内容方向是日语学习、日本文化、日语听力练习创作者还要额外解决外语发音问题。VoxCPM 这类 TTS 模型把这些问题转移成文本问题只要文本正确、分段合理、语言标签正确就能得到一条相对稳定的语音素材。1.1 从标题案例拆出三类真实需求标题里“制作日语内容”和“不露脸频道涨粉”放在一起背后可以拆成三类需求。第一类是内容生产不依赖真人出镜。频道仍然需要有固定人设、有声音记忆点但音频可以由 TTS 生成人可以只负责选题、写稿、剪辑和发布。第二类是跨语言表达。创作者的母语不一定是日语或者创作者能写日语但不熟悉口语断句这时模型生成可以提供参考发音再由人工校对。第三类是声音一致性。频道的固定开场、固定旁白如果能保持一致音色观众会形成识别度。这三类需求组合在一起正好是开源语音合成模型的典型使用场景。需要说明TTS 不解决选题和内容传播它解决的是“稳定产出音频”这个工程环节。涨粉仍然依赖选题判断、内容密度、更新频率和数据迭代。1.2 从文本到 WAV理解 TTS 生产线上的关键环节在深入学习命令以前至少要理解模型内部大概做了什么事。一个现代语音合成系统通常不是“文本直接变成波形”的简单映射而是经过文本前端、声学模型、声码器或者端到端生成等多个阶段。环节作用制作人需要关心的问题文本前端处理数字、标点、缩写、多音字日语文案里的长音、促音记号会否被忽略语言/说话人控制决定口音、语气、声线语言标签必须与文本一致声学模型预测音高、时长等中间表征长句容易积压错误处理到句号为止更稳声码器把中间表征还原成可听波形输出采样率和声道要统一后期音频处理响度、降噪、裁剪不同模型输出的 WAV 参数并不总一致理解这个链路后你会更清楚为什么“把超长正文一次性丢进去”不是好做法。文本前端越复杂错误传播就越明显。实操阶段应该先切句再逐句合成最后拼接。还有一点容易被忽略模型版本和权重文件会快速更新。网络博客上的参数可能来自几个月前的 release不一定适配当前版本。遇到 notebook 或博文里的代码优先看它发布时间与当前版本是否匹配。2. 环境准备从空目录到生成第一句日语很多语音模型的实际使用门槛并不在模型推理代码而在环境依赖、权重下载和音频参数统一。建议不要一上来就追求完整方言限制先让一句日语通过模型验证显卡、Python、依赖、音频输出都正常。2.1 Python 虚拟环境和硬件要求不管模型是否支持 CPU 推理我都会建议先建虚拟环境避免把 torch、audio 相关依赖直接装进系统 Python。VoxCPM 的具体 Python 版本要求要以项目 requirements 为准常见项目会要求 Python 3.10 及以上。这里给出通用流程python -m venv .venv # Windows PowerShell 使用 .venv\Scripts\Activate.ps1 source .venv/bin/activate python -m pip install --upgrade pip # 如果模型仓库带了 requirements.txt优先使用项目锁定的版本 pip install -r requirements.txt硬件方面学习调试环境和批量生产环境可以适度区分。资源学习调试环境小批量生产建议CPU现代多核 CPU 可以跑速度慢不建议成为日常主力GPUNVIDIA 显卡 8GB 显存起步显存越大长文本和并发能力越强内存16GB 以上32GB 以上更稳磁盘预留模型权重空间预留权重和成片音频空间如果只做几百句短音频CPU 也能完成只是每次生成耗时更长。生产环境要关注显卡驱动、CUDA 版本和 PyTorch 版本的匹配。官方 README 一般都给出验证过的 PyTorch 安装命令先按照那个安装不要自己随意升级 torch 覆盖锁定的版本。模型推理过程中torch、torchaudio、transformers或项目自定义包之间的版本冲突是最常见启动失败原因。2.2 下载权重并完成第一句日语权重文件模型较大。如果网络条件允许可以直接从模型仓库 clone如果项目发布在 ModelScope也可以使用 ModelScope SDK 下载。你不需要把所有内容都靠在单个命令上重点是最后得到一个本地模型目录。mkdir -p ~/models cd ~/models git lfs install git clone VoxCPM 模型仓库地址 VoxCPM下载完成后先查看模型目录下的 README 或模型配置文件。需要特别确认两件事第一这个版本支持哪些语言第二日语对应的是什么标签。有的模型用ja有的可能是japanese还有可能在语言列表里已经包含方言代码。这份信息比任何外部教程都准确。接下来写一个最小的生成函数。下面代码只是通用骨架用来表达“把生成封装成可复用函数”的设计思路不同 release 的类名和调用方式会不同必须按你下载的源码调整from pathlib import Path # 假设你有官方提供的 load_model 方法 # model load_model(models/VoxCPM) def text_to_wav(text: str, output_path: str, lang: str ja): 统一封装 VoxCPM 推理。 实际实现需要参考官方 API例如 audio model.synthesize( texttext, languagelang, speakerdefault, ) audio.to_wav(output_path) 先写这个函数是为了后续批量脚本只面对同一个接口。 print(f[TEXT] {text}) print(f[LANG] {lang}) # 在这里接入官方调用并保存音频 raise NotImplementedError(请根据官方 README 补齐模型调用)如果你不想现在封装函数也可以先运行项目自带示例脚本脚本里通常会有--text、--lang、--output这类参数。第一句日语建议用最简单内容python scripts/infer.py \ --model_dir ~/models/VoxCPM \ --text これはテストです。 \ --lang ja \ --output test.wav生成后用ffprobe检查音频参数。不同模型输出采样率可能不同常见为 24kHz、44.1kHz 或 48kHz声道可能是单声道或双声道。后面批量拼接前必须统一。ffprobe -v error -show_entries streamcodec_name,sample_rate,channels \ -of json test.wav命令行脚本的名字可能不是infer.py但这不影响理解核心逻辑加载模型、指定语言、传入文本、保存文件。先跑通这一步后面所有日语文案切割和批量生成才有意义。3. 日语旁白制作文案切分、批量生成与音频合成拿到第一句日语后下一步是把真实视频脚本变成一段完整旁白。最合理的单位不是段落而是句子。模型在短句上的稳定性通常远高于长句因此先做文本切割是必要步骤。3.1 按日语句号和顿点切分脚本日语正文常见的句边界是句号“。”也会出现“”和“”。可以直接用正则把这些记号保留在上一句末尾再切分。这里给出一个基础函数import re def split_sentences(text: str) - list[str]: 按日语句号切分文本切分后保留标点。 pieces re.split(r(?[。]), text) return [piece.strip() for piece in pieces if piece.strip()]对于没有句号的长段落可以进一步按“、”或逗号切分并控制每个块的长度。下面代码支持把超过 80 个字符的片段切成多个块def split_long_line(line: str, max_len: int 80) - list[str]: 将过长的单句拆成多个片段避免模型在超长文本上出错。 if len(line) max_len: return [line] clauses line.split(、) chunks: list[str] [] current for clause in clauses: candidate f{current}、{clause} if current else clause if len(candidate) max_len: if current: chunks.append(current) current clause else: current candidate if current: chunks.append(current) return chunks日语文案还会出现编号、半角片假名占位、欧美外来语。模型在训练时见过大量数字和外来语但在旁白这种需要稳定输出的场景里推荐把纯数字写成更接近口语读法的形式。例如“第 1 章”可以处理成“第一章”。不要迷信“模型都能听懂”你的目标是减少输入不确定性。3.2 批量生成并按顺序保存假设你已经有一个日语脚本文本文件。下面脚本先按段落切句再按长度限制切块最后把每个块按顺序输出为独立 WAV。这样即使某个片段生成失败只需要重新生成对应文件不需要整篇重来。from pathlib import Path raw_text こんにちは。今日は日本語の音声コンテンツを半分無料で作成できる方法を紹介します。 まず大切なのは、文を短くすることです。長い文は合成エラーが起きやすいからです。 segments: list[str] [] for paragraph in raw_text.splitlines(): sentences split_sentences(paragraph) for sentence in sentences: segments.extend(split_long_line(sentence, max_len80)) out_dir Path(./out/segments) out_dir.mkdir(parentsTrue, exist_okTrue) for index, segment in enumerate(segments, start1): wav_path out_dir / fsegment_{index:03d}.wav # 实际运行时取消下面注释并确认 text_to_wav 已经完成封装 # text_to_wav( # textsegment, # output_pathstr(wav_path), # langja, # ) print(index, segment)这里最关键不是一次性生成所有文件而是让“每一条音频都能追到来源句子”。文件名中包含序号后如果第 7 段发音不对就可以单独重生成第 7 段再覆盖原文件。不要把所有段直接拼在一个大模型调用里那样无法局部重试。3.3 拼接前先统一音频参数模型输出的 WAV 采样率可能并不一致尤其当你使用不同模型版本或不同说话人配置时。拼接前统一参数能避免最终视频里出现音高变化、速度快慢不一致等奇怪问题。先用ffprobe查看每段参数再批量转换到一个统一采样率。下面命令假设统一到 24000 Hz 单声道。实际上应该以模型推荐输出为准如果最终视频需要 44100 Hz可以在拼接后再升采样率。mkdir -p out/normalized for f in out/segments/*.wav; do ffmpeg -i $f -ar 24000 -ac 1 out/normalized/$(basename $f) -y done为了让每句话之间保留自然停顿可以先生成一段静音再在拼接列表里插入。静音时长建议从短开始比如 0.3 秒试听后再决定是否增大。300 到 500 毫秒的句间停顿通常比较自然。ffmpeg -f lavfi -i anullsrcr24000:clmono -t 0.3 out/silence.wav -hide_banner -loglevel error cat out/concat_list.txt EOF file normalized/segment_001.wav file silence.wav file normalized/segment_002.wav file silence.wav EOF ffmpeg -f concat -safe 0 -i out/concat_list.txt -c copy out/joined.wav如果源片段已经有句间停顿就不需要每句后面都加静音。最佳方式是先拼一小段再用播放器反复听找到停顿和语速的平衡点。拼接命令本身并不复杂复杂的是文案分段和静音插入策略是否贴合内容的情绪节奏。4. 多方言场景怎么让 VoxCPM 只输出粤语“voxcpm 如何限制只有粤语”这类搜索很能代表一个问题TTS 是多语言模型时如何不把话音“带偏”成普通话或别的语言。以粤语为例要做“只输出粤语”的方案得先从模型能力边界开始确认。4.1 先确认模型是否真的支持粤语不是所有语音模型都支持粤语也不是支持粤语文本就一定能稳定生成标准粤语发音。如果模型权重的预训练数据里缺乏粤语语料那么无论你在提示词里怎么强调输出仍然可能偏向普通话或模型主语言。这里的正确顺序是查看模型 README 的“Supported Languages”或“Languages”段落。确认粤语出现的方式。有的模型可能只支持普通话和英语有的会明确列出zh-yue、cantonese等标签。如果列表里没有粤语不要试图用“prompt 强制”实现。更好的选择是换用支持粤语的其他模型版本。如果列表里有粤语记录官方使用的方言代码生成时传入对应语言标签而不是传中文zh。表格可能比观察更直观你看到的信息解读下一步只写了中文可能只支持普通话继续查看文档细项写了 zh-yue 或 Cantonese版本考虑过粤语生成时使用对应语言代码代码里只出现 zh-CN大概率不支持粤语不要依赖语言提示词文档说明粤语需要参考音频走参考音频路线准备合规授权音频“限制只有粤语”的前提是模型知道粤语长什么样。如果模型本身已经把粤语和普通话混在一起后续限制几乎无效换模型才是根治方案。4.2 前端限制、后端校验和人工抽检当模型确实支持粤语时也不能只写一段粤语文本就认为万事大吉。多语言模型在生成过程中可能偶尔冒出普通话口音或者把某个汉字按普通话发音读出。应对方案可以分为三层。前端限制只向模型发送确定属于粤方言特征的文本。粤语书面文本中常见特征字包括“嘅、係、唔、喺、咗、啲、咁”等。可以写一个启发式筛查函数CANTONESE_MARKERS {嘅, 係, 唔, 喺, 咗, 啲, 咁, 啱} def has_cantonese_markers(text: str) - bool: 粗略判断文本是否像书面粤语。 return any(marker in text for marker in CANTONESE_MARKERS)这个函数不严谨因为不是所有粤语句子都会出现这些字但它能在批量脚本里拦住明显走错的文本。比如一段完全使用普通话语法的“我们一起去吃饭”不会包含上述特征字生成前就可以提示检查。后端校验生成音频后把音频送进语音识别或粤语识别引擎再把识别文本与输入文本进行比较。如果识别结果明显偏离粤语特征就标记为失败要求重新生成。要实现这一步需要项目里已经存在可用的粤语识别模型。如果模型不支持粤语识别不要用普通话识别结果冒充校验识别结果会把粤语强行转写成普通话造成误判。人工抽检批量场景里没有必要每句都人工听但最终的成片必须整体听一遍。尤其要注意声调、入声和尾音。视频发布后如果被观众指出发音奇怪再回看对应的原始文本和模型参数重新生成该句即可。还要提一个现实限制粤语在书写上存在“口语字优先”和“正字优先”两种风格。如果你用纯汉字写“几多钱”模型可能懂用标准书面语写“多少钱”模型则可能生成普通话。做“限粤语”内容时文案层就要采用粤语书面表达而不是先写普通话再指望模型翻译。5. 实际配音最容易翻车的几个场景和对策无论用 VoxCPM 做日语还是其他语言都会有固定几类问题。整理成排查表可以提高解决效率。问题现象常见原因检查方式处理建议长句出现尾音重复、吞字单次输入文本过长文本前端或声学模型累积错误看日志中分段长度重听长句按句切分单块控制在 80 字内片假名外来语发音不自然该类词汇在训练语料中比例不高单独生成外来语片段试听改成更常见的片假名写法或用参考音色连续生成多段音频声音忽高忽低、音色漂移批次生成时没有固定说话人、seed、参考音频对比前后文件频谱和听感固定 speaker ID设置随机种子使用同一参考音频音频出现爆音或削波模型输出动态过大后期直接导出过响用播放器查看波形顶端是否被切平经过 loudnorm 统一响度再做削波保护拼接后语速不一致每段模型推理时的语速波动听完整条并观察波形间距使用语速参数固定或重新生成异常句子合成结果只有杂音或空白输入文本有不可见字符或语言标签错误打印 repr(text)确认语言代码清理文本重新检查 lang 标签日语旁白常见的第二个问题与文本标注有关。日语里的长音经常表现为一个横线记号例如“コーヒー”。如果文本在复制过程中把长音符号变成了 Unicode 特殊字符或半角横线模型可能识别失败。建议在发送给模型前统一清洗文本。def clean_japanese_text(text: str) - str: 清洗常见异常空白和控制字符。 text text.replace(\u3000, ) # 全角空格转半角空格 text text.strip() return text另外不要忽略随机性问题。很多语音模型在相同输入下多次生成会得到略微不同的结果。如果希望每期频道声音一致至少需要固定三个因素模型版本、说话人编号或参考音频、采样参数中的随机种子。只固定模型权重而每期都换不同 speaker最终声音会像换了一个人。建议在项目里记录每次生成所需的元信息。下面是一段日志示例[2025-07-01 10:12:33] seg007 langja speakerdefault seed42 ok [2025-07-01 10:12:35] seg008 langja speakerdefault seed42 error: audio is empty记录这些日志后如果第 8 段连续失败你可以判断是文本问题还是模型问题而不是重新生成整期内容。6. 用一条可持续更新的产线管理日语旁白从个人尝试转成“固定更新频道”后单纯靠命令行生成越来越不够。一个可持续的配音产线应该包含目录管理、声音资产固定和发布前检查。这也决定了 VoxCPM 是否能真正支撑长期内容更新。6.1 每期内容都按独立目录归档建议每次制作前创建独立目录把文案、脚本、分段 WAV、最终成品、日志放在一起。content/episode_001/ ├── script.md ├── config.yaml ├── wav/ │ ├── segment_001.wav │ └── segment_002.wav ├── final/ │ ├── joined.wav │ └── final.mp3 └── logs/