独立开发者叶小叔用面壁智能开源的VoxCPM声音克隆模型，成功让AI克隆网红声音并实现实时对话，视频在抖音获100万播放、X上5.9万人围观。此前他尝试本地开源模型（TTS合成需14-40秒）和云端Cartesia Pro（中文效果不佳）均失败，最终租用RunPod L4 GPU（$0.4/小时）部署VoxCPM，TTS首包延迟不到1秒，端到端体感2-3秒。