HyperAI超神経

1. チュートリアルの概要

VoxCPMは、Mianbi Intelligenceと清華大学深圳国際大学院が2025年9月に共同開発した0.5億パラメータの音声生成モデルです。音声合成において、業界をリードするレベルの自然さ、音色の類似性、韻律表現力を実現します。VoxCPMは、エンドツーエンドの拡散自己回帰アーキテクチャを活用し、テキストから直接連続音声表現を生成し、従来の離散単語分割の限界を超えます。階層型言語モデリングと有限状態量子化制約により、意味と音響の暗黙的な分離を実現し、音声の表現力と生成安定性を大幅に向上させます。VoxCPMはゼロショット音声クローニングをサポートし、単一の参照オーディオクリップだけで話者の音色、アクセント、感情的なイントネーションなどの特徴を正確に再現し、非常にリアルな音声を生成します。

このチュートリアルで使用されるコンピューティングリソースは、単一の RTX 4090 カードです。

2. エフェクト表示

3. 操作手順

1. コンテナを起動します

「Bad Gateway」と表示される場合、モデルが初期化中であることを意味します。モデルが大きいため、2〜3分ほど待ってページを更新してください。

2. 使用手順

具体的なパラメータ:

CFG 値: 値が高いほどプロンプトへの従順性が高く、値が低いほど創造性が高くなります。
推論タイムステップ: 生成する推論タイムステップの数 (値を大きくすると品質は向上しますが、速度は遅くなります)。
プロンプト音声強化: ZipEnhancer モデルを使用してプロンプト音声のノイズを除去します。
テキストの正規化: wetext ライブラリを使用して入力テキストを正規化します。

4. 議論

🖌️ 高品質のプロジェクトを見つけたら、メッセージを残してバックグラウンドで推奨してください。さらに、チュートリアル交換グループも設立しました。お友達はコードをスキャンして [SD チュートリアル] に参加し、さまざまな技術的な問題について話し合ったり、アプリケーションの効果を共有したりできます。

引用情報

このプロジェクトの引用情報は次のとおりです。

@misc{voxcpm2025,
  author       = {{Yixuan Zhou, Guoyang Zeng, Xin Liu, Xiang Li, Renjie Yu, Ziyang Wang, Runchuan Ye, Weiyue Sun, Jiancheng Gui, Kehan Li, Zhiyong Wu, Zhiyuan Liu}},
  title        = {{VoxCPM}},
  year         = {2025},
  publish = {\url{https://github.com/OpenBMB/VoxCPM}},
  note         = {GitHub repository}
}