用途：在本地把文本合成为语音，基于 OpenBMB 的 VoxCPM2 模型（2B 参数，Apache-2.0），无需联网调用 API，首次下载模型后即可离线使用。
主要能力：支持三种模式——默认语音（直接输入文本，自动检测 30 种语言）、语音设计（在文本开头用括号描述音色，如“warm female voice, mid-30s”，描述部分不会被朗读）、语音克隆（提供 3-10 秒参考音频，模仿音色、口音与情绪；再加 --prompt-wav 可做最高保真克隆）。输出为 48 kHz 单声道 16 位 PCM WAV，约每秒 100 KB，可用于语音消息、播客、视频旁白。
使用方式：需 Python 3.10+（推荐 3.12），优先 macOS Apple Silicon（M1-M4），Linux + CUDA 亦可；约 10 GB 磁盘空间与约 16 GB 内存。先创建虚拟环境： mkdir -p ~/.local-tts python3.12 -m venv ~/.local-tts/venv ~/.local-tts/venv/bin/pip install --upgrade pip voxcpm 随后调用插件自带脚本 generate.py，例如： "$VENV/bin/python" "$SCRIPT" --text "Your text here." --out "$OUT" 长文本可用 --stdin 从标准输入读取。常用参数包括 --ref（克隆参考音频）、--prompt-wav、--cfg（默认 2.0）、--steps（默认 10）、--model（默认 openbmb/VoxCPM2）、--quiet。
适用场景：批量语音生成、旁白、播客、Telegram 语音消息等非实时场景。
限制：首次运行需联网下载约 10 GB 权重，首次加载约 340 秒，之后约 30 秒；生成速度约 2.3 倍实时（10 秒音频约需 23 秒计算），不适合实时流式输出。若报 ModuleNotFoundError: voxcpm 说明虚拟环境缺失；法语等发音边缘情况可加近似 IPA 提示或改写。支持语言包括阿拉伯语、缅甸语、中文（含方言）、丹麦语、荷兰语、英语、芬兰语、法语、德语、希腊语、希伯来语、印地语、印尼语、意大利语、日语、高棉语、韩语、老挝语、马来语、挪威语、波兰语、葡萄牙语、俄语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰语、土耳其语、越南语。