独立开发者叶小叔使用面壁智能开源的 VoxCPM，克隆了一位拥有千万粉丝的网红的声音，并搭建了“STT → LLM → VoxCPM（TTS）”三段式实时对话管道。该方案中，TTS 首包延迟不到 1 秒，端到端整体体感延迟约为 2 到 3 秒，由此让 AI 终于“会聊天”了。
独立开发者用 VoxCPM 克隆网红声音，让 AI 终于“会聊天”了
独立开发者叶小叔用面壁智能开源的 VoxCPM 克隆千万粉丝网红声音，搭建 STT→LLM→VoxCPM 实时对话管道，TTS 首包延迟不到 1 秒，端到端体感约 2 到 3 秒。
对 FDE 而言，这意味着可借助开源 VoxCPM 在客户现场快速搭建低延迟语音交互原型，将 STT→LLM→TTS 作为可复用交付管道。掌握实时语音链路的集成与调优，有助于提升企业 AI 语音 Agent 的交付能力，也是相关岗位值得关注的新技能。