据面壁智能消息，一位独立开发者利用面壁智能的端侧语音模型VoxCPM，成功克隆了拥有千万粉丝的网络红人声音并实现实时对话，相关演示视频在抖音获得100万播放量，在X平台吸引5.9万人围观。这一尝试打破了AI语音交互“一听就是AI”的刻板印象。
开发者叶小叔最初想打造一个带有记忆、能用自然语气聊天的陪伴工具。在技术实现上，语音识别和语言模型环节均有成熟方案，但语音合成环节成为瓶颈。他先后遭遇两次失败：某开源声音克隆模型在英特尔（INTC）芯片Mac上合成一句话需14到40秒，体验如同“语音邮件”；海外云端服务Cartesia Pro的英文克隆效果出色，但中文合成咬字飘、语调平，无法满足需求。
两次失败后，叶小叔明确了三个核心条件：中文原生支持、开源可嵌入、效果必须过硬。VoxCPM成为开源中文音色克隆为数不多的选择。他发现，该模型在抖音和小红书上已被大量AI自媒体博主用于生成口播视频，且Hugging Face上的官方试用页面不限制次数、不催注册，给予开发者充分的验证时间。
在调试过程中，叶小叔得出一个反直觉的结论：极致克隆并非必需品。VoxCPM的极致克隆模式虽能还原声纹语调变化，但会机械复制参考音频的情绪起伏，导致表达不自然。而默认参数在音色相似度和表达自然度之间已取得最佳平衡。
为部署VoxCPM，叶小叔租用了云GPU服务器（RunPod L4，每小时0.4美元），通过网络连回本地Mac，构建了“语音识别-语言模型-VoxCPM语音合成”三段式架构。最终实现语音合成首包延迟不到1秒，端到端体感2到3秒，成功将体验从“语音邮件”升级为“打电话”。他克隆了辨识度极高的网红声音并搭配人格蒸馏，完成了能实时对话的AI演示。
原文：火种说｜100 万人围观：一个独立开发者，让 AI 终于“会聊天”了（来源：面壁智能）
