没有独显也想做AI配音？我用MOSS-TTS-Nano在CPU电脑上跑通了本地语音生成

没有独显也想做AI配音？我用MOSS-TTS-Nano在CPU电脑上跑通了本地语音生成

前言

我一直觉得AI配音最容易把人劝退的，不是效果，而是环境。

很多工具一上来就是显卡、CUDA、Python、依赖，老一点的办公电脑还没开始生成声音，先在安装阶段折腾半天。可实际做短视频旁白、课程配音或者产品样音时，我需要的往往只是：输入一段文字，先快速听听效果。

所以这次我试了MOSS-TTS-Nano的Windows整合包，重点看它的CPU版本到底能不能把流程跑通。

原文提供start_cpu.bat和start_gpu.bat两套启动方式。CPU版默认跑在8001端口，没有独显也能先用；页面里既能用内置参考音频，也能上传自己有权使用的短音频做声线参考。后面如果还想从手机或外地电脑打开，再用cpolar给本地页面增加一个公网入口。

下面直接从启动整合包开始，把本地生成和远程访问都跑一遍。

一、MOSS-TTS-Nano适合解决什么问题？

MOSS-TTS-Nano这篇文章最值得关注的点，是它提供了面向CPU环境的本地运行方式。对于没有独立显卡、又希望在本机完成语音生成和参考音色测试的用户来说，部署门槛会更低一些。下面先看原文给出的几个主要特性：

1. 提供CPU运行方案

原文给出的模型规模为0.1B参数量，并提供CPU运行方案，因此没有独立显卡的电脑也可以尝试部署。实际生成速度和资源占用仍会受到CPU型号、线程数、文本长度等因素影响，建议先用短文本测试自己的机器。

整合包提供CPU专用ONNX版本 和GPU版本。如果机器没有独显，可以直接从CPU版本开始；有独显的用户也可以使用GPU启动脚本。两种版本的具体生成速度，建议以本机实测为准。

2. 支持48kHz音频输出

原文界面提供48kHz音频输出。对于短视频旁白、课件、产品介绍等场景，可以先直接生成样音，再根据实际听感判断是否还需要后期降噪、均衡或剪辑。

3. 支持多语言语音生成

原文介绍该工具支持中文、英文、日文、韩语以及多种欧洲语言，可用于多语言文案试配。不同语言、口音和长文本的自然度可能存在差异，正式使用前建议分别试听。

4. 支持上传短参考音频

原文支持上传3-10秒干净人声作为参考音频，用于生成接近参考声线的语音。效果会受到录音质量、说话内容和目标文本影响，因此更适合先做样音验证，再决定是否用于正式内容。

• 自媒体博主：固定专属配音声线，不用反复找付费配音员；
• 个人创作：在获得声音本人同意的前提下，用参考音频制作祝福、纪念或创意内容；
• 创作者：批量生成同角色短视频旁白，统一视频风格。

5. 适合哪些使用场景？

• 自媒体创作者：在没有高性能显卡的电脑上尝试本地配音；

• 学习场景：制作课件配音、外语跟读素材；

• 跨境内容：生成不同语言的产品介绍样音；

• 硬件玩家：尝试把轻量语音模型放进低功耗设备；

• 开发者：围绕本地语音生成继续做接口或工具集成。

二、Windows部署MOSS-TTS-Nano

原文使用的是Windows整合包，Python和依赖已经封装在其中，因此主要操作是下载、解压并运行对应启动脚本。

1. 准备整合包文件

   下载整合包后，原文建议解压到纯英文路径，避免因路径字符导致程序报错。

   通过网盘分享的文件：moss_tts_nano_rainfall_v1.zip
   链接: https://pan.baidu.com/s/1RZewJF7Tfjp1_a3sR84pPw?pwd=k75m 提取码: k75m 
   --来自百度网盘超级会员v6的分享

2. 查看整合包内置资源

   解压打开文件夹，核心文件分为两大部分：

• CPU 启动脚本：start_cpu.bat（低配电脑首选，无显卡也能运行）；
• GPU 启动脚本：start_gpu.bat（有独立显卡可选，效果和 CPU 版基本无差别）；

• rd_lib 文件夹：存放模型、参考音色素材；

• assets/audio：内置系统自带 WAV 参考音频，可直接用来测试配音。

3. 启动对应版本程序

• CPU用户：双击start_cpu.bat。终端出现本地访问地址后，说明服务已经启动，默认端口为8001；

• GPU用户：双击start_gpu.bat，原文启动端口为8002。如果只是验证功能，没有独显也可以直接使用CPU版。

4. 进入网页操作界面

   

   复制终端给出的本地地址并在浏览器中打开，即可进入对应的配音页面。

三、MOSS-TTS-Nano基础使用

操作 1：使用系统自带音色生成语音

1. 在页面text输入框填写文案。第一次使用建议先用短句测试，确认生成流程正常后再逐步增加文本长度；

2.参考音频默认选择内置 demo 音色（素材存放在 assets/audio 文件夹内，可自行新增 WAV 音色文件）；

3. 点击「生成」按钮，等待音频生成后直接试听；
4. 如果效果符合预期，再下载生成的音频文件。

实际生成速度与CPU性能、文本长度等因素有关。建议在自己的机器上分别测试短句和长文本，观察生成耗时与CPU占用。

操作 2：自定义上传音频，克隆专属音色

1. 提前录制 3-10 秒干净人声，无背景噪音、无停顿杂音，保存为 WAV 格式；
2. 在网页端参考音频区域点击「选择文件」，上传录制好的人声素材；
3. 输入需要配音的文案，点击生成；
4. 试听生成效果，重点关注音色接近程度、断句和目标文本自然度，再决定是否继续批量生成。

实操案例：跨境电商英文配音

输入产品英文文案测试：

This smart desk lamp supports three color temperature modes for reading, working, and relaxing. After connecting to the mobile app, you can set schedules and sleep mode.

生成后可以直接试听英文样音。对于产品预览、内部培训或多语言内容，可以先用这种方式快速做版本验证。

四、需要远程访问时，再给本地服务增加公网入口

本地部署完成后，CPU版和GPU版分别运行在8001/8002端口。如果只在这台电脑或同一局域网内使用，到这里已经够了；如果还希望从手机、外地电脑或其他设备访问，就需要再处理远程入口。

1. 出门出差、探店、外出拍素材，临时需要配音，必须回家打开电脑，耽误工作进度；
2. 想给客户、异地搭档预览专属克隆音色，只能传输音频文件，无法在线实时调整文案生成；
3. 想把私人 AI 声优分享给朋友体验，没有公网地址，只能让对方拷贝整合包重新部署；
4. 线下展会、客户演示，携带主机极不方便，无法随时随地调取配音工具。

这里使用cpolar把本地8001或8002端口映射到公网。MOSS-TTS-Nano仍然运行在自己的Windows电脑上，cpolar只负责提供外部访问入口。

这里为什么需要cpolar？

1. 不需要修改MOSS-TTS-Nano本身的运行方式；
2. 可以在没有公网IP的网络环境中提供远程访问入口；
3. 可以先使用随机地址测试，长期使用时再考虑固定地址；
4. 适合把本地Web服务扩展到其他设备访问；
5. 手机、平板和外部电脑可以通过浏览器打开同一页面。

五、安装cpolar并映射MOSS-TTS-Nano端口

步骤 1：下载安装 cpolar 客户端

1. 打开 cpolar 官方网站，下载 Windows 版本客户端；
2. 安装程序一路点击「下一步」，默认路径安装即可，无需修改任何设置；
3. 安装完成后，通过localhost:9200进入本地Web管理面板；
4. 登录cpolar账号进入管理后台。

步骤 2：创建隧道，映射 MOSS-TTS-Nano 端口

1. 左侧菜单栏点击「创建隧道」，隧道名称自定义（比如 AI 配音工具）；
2. 本地地址填写对应端口：CPU 版填 8001，GPU 版填 8002；

3.域名类型分为两种：

• 免费随机域名：系统自动生成临时公网地址，适合临时短期使用，地址每次重启会变化；
• 固定二级子域名：适合需要长期保持同一访问地址的场景；

原文后续演示固定二级子域名，实际使用可以根据是否长期访问来选择。

进阶：配置固定二级子域名

如果长期保存访问入口，可以继续配置固定二级子域名。原文步骤如下：

1. 登录 cpolar 官网云端后台，点击「预留」板块，选择保留二级子域名；
2. 服务器地区选择 China Top，自定义好记的域名名称，点击预留；

3.复制预留成功的子域名，回到本地客户端隧道编辑页面，粘贴替换原有随机域名，保存更新隧道；

4. 刷新隧道列表，确认固定公网HTTPS地址已经生效。

六、从其他设备访问本地AI配音工具

1. 保持电脑开机，同时运行 MOSS-TTS-Nano 启动脚本 + cpolar 客户端；
2. 手机、另一台电脑、平板打开 cpolar 生成的公网地址；
3. 页面和本地操作界面完全一致，支持上传自定义音频克隆音色、输入多语言文案、在线试听、下载高清配音；
4. 外出时可以从手机或其他电脑打开页面继续生成音频；如果需要协作，分享入口前要注意访问权限以及参考音色的授权范围。

什么情况下需要固定地址？

随机地址适合短期测试；如果页面需要长期收藏或多人反复访问，固定地址会更方便。

固定二级子域名的主要价值是访问入口保持不变：

1. 外出时不用反复确认新的随机地址；
2. 团队协作时可以保存同一个访问入口；
3. 更适合长期收藏和固定工作流；
4. 后续如果还有其他本地Web服务，也可以继续分别配置访问入口。

对于需要长期从外部访问MOSS-TTS-Nano的人来说，固定地址主要解决的是"每次入口都变化"的问题。

总结

这次跑下来，我最关心的结果其实很简单：没有独显，也能先把AI配音流程完整跑通。

CPU版双击start_cpu.bat以后，通过8001端口进入页面；先用内置音色测试，再上传自己有权使用的短参考音频试听声线效果。觉得够用，就直接留下这套本地环境；觉得机器性能不够，再考虑更高配置，而不是一开始就为了AI配音去换显卡。

cpolar解决的是另一个问题：电脑还在家里跑，但人不一定一直坐在这台电脑前。把8001或8002端口映射出去以后，手机和其他电脑也可以打开同一个页面。长期需要固定入口时，再继续配置二级子域名。

这类工具最适合的用法还是"先本地试、先听效果"。声音参考涉及真人时，记得只使用自己拥有或已经得到授权的录音，避免把声线生成用到冒充或未经同意的场景里。