本地部署还是买API?算完语音合成这笔账,我发现大多数人一开始就算错了
本地部署还是买API?算完语音合成这笔账,我发现大多数人一开始就算错了
前阵子有个做知识付费的朋友找我吐槽:他一个月要出四十多条口播音频,用某海外语音接口,账单从最初的十几美元一路涨到一百多美元,而且每次改稿重录,钱都得再付一遍。
他问我:听说有个开源的国产语音模型 VoxCPM,效果挺唬人,还能克隆自己的声音,那我是不是该买张显卡自己搭?
我说先别急。这个问题看起来是“哪个便宜”,其实是一道分三层的账:硬件的钱怎么摊、试错的钱谁买单、数据的风险值多少钱。很多人只算了第一层,就下了结论。
今天就把这笔账摊开算给你看。不吹不黑,也不劝你买卡。
一、先把两种模式翻译成人话
云端接口,本质是打车。你不用养车,上车就走,按公里付费。今天出十条音频付十条的钱,明天一条不出,一分不花。
本地部署,本质是买车。一次性掏一大笔,之后每公里只烧点油。但车会贬值,会占车位,你还得自己保养。
VoxCPM 就是后面这辆“车”。它是面壁智能和清华人声实验室一起开源的一套语音合成模型,最新版本 1.5 只有 8 亿参数,在消费级显卡上跑,生成速度大约是播放速度的六倍多——说一秒钟的话,它零点一五秒就做完了。
关键是它开源、免费、可以商用,权重和代码都能拿走,装在自己电脑或公司服务器上,不联网也能出活。

二、第一笔账:硬件的钱,摊到每一分钟音频上
先算最容易被夸大的部分。
一张 RTX 4090,单卡一万三上下,加上主机电源散热,整机一万五左右。按三年折旧,每个月摊四百块。
电费呢?整机满载五百瓦,一小时半度电,六毛一度,就是三毛钱。它能一小时产出六个多小时的音频,摊下来每生成一小时音频,电费四分钱。
听起来像白捡,对吧?
但陷阱在这儿:折旧是按月算的,不管你这个月用没用。
你一个月只做五条短视频配音,总共十来分钟音频,那四百块折旧还是照摊。这时候你的“每音频小时成本”高得离谱,比任何云端接口都贵。
所以第一层账的正确问法不是“本地贵不贵”,而是**“这张卡一个月能被真正用满多少小时”**。
三、第二笔账:云端接口,贵的地方可能和你想的不一样
这里要拆成两类,混在一起算必错。
第一类是标准音色朗读。 国内几家大厂的普通音色,按量计费便宜得吓人,一小时音频常常只要几块钱甚至更低,买套餐还能再打折。这块本地部署没有任何价格优势,别硬吹。
第二类是“要一个只属于你的声音”。 这才是分水岭。
海外的 ElevenLabs,Creator 档二十二美元一个月,给十二万字符,折下来大约一块三一千字;中文正常语速一小时念一万二千字左右,也就是一小时音频十五块上下。听着不贵,但你改一版稿就要重新生成一版,钱照走。
更贵的是定制音色。各家普遍按“音色”收费,一个专属音色从几百到几千不等,很多还是按年授权——你不续费,那个声音就不归你了。
而 VoxCPM 这边,声音复刻是零样本的:给三十秒到一分钟的干净录音,它就能抓住你的音色、口音、语速习惯。想更稳,还能用 LoRA 在自己录的几百条素材上微调一个专属版本,练完的模型文件存在自己硬盘里,没有年费这回事。
这一条,是本地部署真正值钱的地方。
四、临界点到底在哪?给你一张表
我们按三个量级摆一摆。口径先说清楚:一小时中文音频约一万二千字,本地按 4090 整机一万五、三年折旧、每月四百元算。
| 每月产出 | 云端接口(约 15 元/小时音频) | 租云 GPU(按小时计费) | 自购 4090 |
|---|---|---|---|
| 5 小时 | 约 75 元 | 十几元 | 约 401 元 |
| 20 小时 | 约 300 元 | 几十元 | 约 401 元 |
| 50 小时 | 约 750 元 | 一两百元 | 约 402 元 |
| 200 小时 | 约 3000 元 | 几百元 | 约 410 元 |
看出来了吧?纯算生成成本,租云 GPU 往往才是最便宜的,自购显卡反而是最“重”的选择。
那为什么还有一堆团队自己买卡?
因为这张表只算了“出成片”的时间,没算试错。
调一次参数听一遍,不满意再调;换个情绪重来;拿两百条录音微调一个专属音色,跑几个小时;给客户做三个备选版本……这些时间全都是 GPU 在转。一个认真做内容的团队,一个月跑满一百五十到两百小时 GPU,一点都不夸张。
按每月四百块折旧、云 GPU 两三块一小时算,临界点大概在每月一百五十小时上下。 过了这条线,自购开始划算;没过,租着用更聪明。
还有个小提醒:如果这张卡平时还能剪片、跑图、跑本地大模型,那这笔折旧就不该全算在语音头上,临界点会明显前移。
五、并发:一个人用和一百个人用,是两个世界
前面算的都是“一个人慢慢做内容”。一旦你要做产品,账本立刻换一本。
单卡跑一路流式合成很轻松,VoxCPM 的实时率是零点一五,理论上还有六倍余量,做个实时对话的数字人完全够。但要同时扛几十路、上百路请求,一张消费卡是撑不住的,得堆卡,或者上社区里那种高通量推理加速方案。
而云端接口这边,并发是明码标价的稀缺资源:个人套餐往往只给个位数并发,团队档十几路,再往上就得谈企业合同。
所以真实的选型常常是混着来:日常批量、离线生产放本地,把边际成本压到接近零;面向用户的实时请求走云端,扛住波峰,也省掉运维。别追求“全都自己搞”,那是给自己找麻烦。
六、最容易被忽略的第三笔账:合规
这笔账没有发票,但最贵。
声音在国内的身份很特殊。声纹通常被当作敏感个人信息看待,采集、使用、跨境传输都有一整套要求;再加上深度合成内容要显著标识,真要做成产品,法务流程能拖你几周。
更现实的是内容本身。企业还没发布的广告词、内部培训稿、客服话术、用户对话记录,这些东西一旦上传到第三方接口,性质就变了——你得先说服安全部门,再签协议,再等评估。
本地部署最硬的底气就在这儿:文字不出内网,音频不出内网,模型文件躺在自己机房里。 很多公司选本地,不是因为便宜,是因为“贵不贵”这个问题根本轮不到讨论。
当然,本地也有它的隐性成本:模型更新要自己跟,显存爆了要自己排查,半夜服务挂了没人接电话。云端接口把这些活儿打包卖给你了,这部分钱不算白花。
七、那 VoxCPM 在这笔账里,到底值不值?
说几个实打实的点。
第一,它足够小。 8 亿参数,一张消费级显卡就能跑,社区里还有人拿 4G 显存的低配实例跑通了整条流程,云上开两块钱的机器就能玩一下午。这意味着你验证“本地这条路行不行”的试错成本极低,不用先掏一万五。
第二,它质量不含糊。 在公开的中文零样本测试里,它的错字率是百分之零点九三,比几个没开源的商业模型还低;44.1kHz 的输出,配上干净的参考音频,很多人第一耳朵会以为是真人。
第三,它把“专属音色”的门槛打下来了。 三十秒录音就能克隆,想更稳就微调。对自媒体、有声书、地方方言记录这些场景,这是真金白银的省钱。
第四,它免费商用。 权重和代码都是 Apache 2.0,不按字数收费,不按音色收年费。官方也提醒了,模型主要面向研发用途,正式商用前请自己做严谨测试和安全评估,并且绝对不要拿它去伪造他人声音——这条红线比省多少钱都重要。
八、三句话选型清单
如果你每月产出不到十小时音频,只是偶尔给视频配个音:别买卡。租个云 GPU 按小时开,或者直接用现成接口,省下的钱够你吃好几顿火锅。
如果你每天都要出片、文案涉密、还想养一个只属于自己的声音:本地买卡。你买的不是便宜,是随时可用、无所顾忌地试错、以及数据不出门的那份踏实。
如果你要做的是面向用户的产品:云端打底,本地兜底。别指望一张卡扛住全网流量,也别把核心素材全交给别人。
最后说句掏心的:这一轮开源语音模型真正的冲击,不是“把云端接口干掉了”,而是把定价权还给了使用者。
以前你想要一个独特的声音,只能接受“按字付费 + 音色年费”的规则;现在你可以选择一次性投入,然后无限次地折腾,直到满意为止。
那么问题来了——如果给你一个可以随便用、不按字数收费的声音,你第一件想做的事,是给自己的视频配个专属旁白,还是把家里老人的声音留下来?
评论区聊聊,我挺好奇答案的。