AI声音克隆接单前，先搭好这套本地推理环境

想用 AI 声音克隆接单，真正卡住新手的通常不是模型效果，而是环境跑不起来、目录放错、启动参数不对，客户发来干声后无法稳定出成品。
下面按“先能稳定跑通一条音频，再谈接单”的顺序，把本地推理环境搭好。
本文适用于 Windows 或 Linux 上带独立显卡的机器，纯 CPU 也能跑但速度会明显变慢。

接单前先确认机器和账号条件

声音克隆推理主要吃显存和磁盘。
建议至少 8GB 显存起步，模型文件通常按 GB 计，预留 30GB 以上空闲磁盘比较稳妥。
系统层面确认三件事：显卡驱动正常、Python 版本符合项目要求、磁盘路径不含中文和空格。

在 Windows 上打开 PowerShell，Linux 上打开终端，先跑两条检查命令：

nvidia-smi
python --version

nvidia-smi 能列出显卡型号和显存占用，说明驱动可用；python --version 建议落在项目文档要求的版本区间内，不确定时优先用 3.10 或 3.11 这类常见版本。
如果 nvidia-smi 报“不是内部或外部命令”，先装显卡驱动，不要继续往下走。

账号和素材方面，接单前要明确：客户提供的参考音频是否获得本人授权、成品是否允许商用。
涉及真人声音的克隆和商用，需要取得声音权利人的明确许可，并在交付前和客户确认使用范围。
这一点不写进合同，后面容易产生纠纷。

目录和虚拟环境这样规划

不要把所有东西丢在桌面。
建议单独建一个工作目录，把项目代码、模型权重、输入素材、输出成品分开，方便后续换模型和备份。

D:\voice-work\
  app\          # 克隆项目代码
  models\       # 模型权重
  input\        # 客户干声和参考音频
  output\       # 推理成品
  venv\         # Python 虚拟环境

进入工作目录后创建虚拟环境并安装依赖：

cd D:\voice-work
python -m venv venv
venv\Scripts\activate
pip install -r app\requirements.txt

Linux 下激活命令换成 source venv/bin/activate。
安装完成后用 pip list 确认关键包已存在，再进入下一步。
如果安装中途报编译错误，优先检查 Python 版本是否过高或过低，而不是反复重装。

模型放置和启动参数

模型权重按项目文档说明放到 models 目录下，路径写进启动脚本，不要靠默认路径猜。
以常见的命令行启动方式为例，配置可以写成：

python app\infer.py \
  --model-dir models\voice-model \
  --reference input\ref.wav \
  --text input\script.txt \
  --output output\result.wav

几个参数要理解清楚：--reference 是参考音频，用来提取音色；--text 是要合成的文本；--output 是成品路径。
参考音频建议 5 到 15 秒、单人、无背景音乐、采样率统一。
文本文件用 UTF-8 保存，避免中文乱码。

首次运行先拿一段 10 秒左右的短文本测试，不要直接上整篇稿子。
看到 output\result.wav 生成且能正常播放，才算环境跑通。
如果报显存不足，先降低批量大小或换更短文本；
如果报找不到模型文件，用 dir models 或 ls models 核对实际目录名，大小写和层级都要对上。

接单交付前的验证清单

环境跑通不等于能接单。
每次交付前至少检查四项：成品音频时长和文本是否匹配、有无明显电流声或断句、参考音色是否稳定、文件命名是否按客户要求。
建议保留原始干声、参考音频和生成参数记录，方便返修时复现。

如果客户要求批量生成，先把启动命令封装成脚本，固定模型路径和输出目录，避免每次手敲参数出错。
对外报价和交付周期要按实际单条生成耗时估算，不要用理想速度承诺客户。

常见疑问：参考音频能不能用客户微信语音？
可以，但音质差会直接影响克隆效果，最好让客户提供安静环境下的录音。
CPU 能不能接单？
能跑，但生成慢，适合短句和小批量，批量订单建议用带显卡的机器。
换模型后效果变差怎么办？
先回退到上一个能用的模型目录，再对比参考音频是否一致。

把本地推理环境固定下来，AI声音克隆接单才有稳定的交付基础；
先跑通一条可验证的成品音频，再逐步接真实订单，比一上来追求复杂效果更稳妥。