VoxCPM（语音合成）
音频与语音
OpenBMB（清华大学）
开源免费
关于
OpenBMB 的免 Tokenizer TTS 系统：直接生成连续语音表征，2B 参数、30 种语言、语音设计、可控语音克隆、48kHz 录音室级音频输出。
编辑评价
值得尝试OpenBMB 的免 Tokenizer TTS 突破——30 语言、语音设计、48kHz 输出，但需要较强 GPU。
VoxCPM2 代表了开源 TTS 的重大进步：其免 Tokenizer 扩散自回归架构比离散 token 方案产生更自然的语音，单一模型覆盖 30 种语言且自动检测令人印象深刻。语音设计功能（从文本描述创建声音）和终极克隆（从参考音频+文本复制每一个细节）是真正有用的能力。\n\n注意事项：实时推理需要 RTX 4090 级别 GPU，文档分散，101 个未关闭 issue 表明仍在持续开发中。对需要高质量多语言 TTS 且带语音设计能力的研究人员、内容创作者和开发者来说，VoxCPM2 是一个引人注目的开源选择。
最适合
- •需要高质量多语言 TTS 且带语音设计与克隆能力、且有较强 GPU（RTX 4090 或以上）的研究人员、内容创作者与开发者。
以下情况建议考虑替代方案
- •如果没有较强 GPU，考虑云端 TTS API（ElevenLabs、OpenAI TTS）或在 CPU 上运行的轻量开源模型。
平台支持
网页版WindowsmacOSLinuxAPI
可用平台包括网页版、Windows、macOS、Linux和API。
核心功能
免 Tokenizer 架构：通过扩散自回归模型直接生成连续语音表征
20 亿参数模型（VoxCPM2），基于 200 万+ 小时多语言语音数据训练
支持 30 种语言——无需语言标签，自动从输入文本识别
语音设计：仅凭自然语言描述（性别、年龄、语气、情感、语速）创建全新声音
可控语音克隆：从短参考片段克隆任意声音，支持风格引导
终极克隆：从参考音频+文本复制每一个声音细节
48kHz 录音室级音频输出，AudioVAE V2 内置超分辨率
实时流式输出：RTX 4090 上 RTF 低至 ~0.3，Nano-vLLM 加速 ~0.13
上下文感知合成：自动从文本内容推断合适的韵律与表现力
基于 OpenBMB MiniCPM-4 骨干网络
定价方案
free
免费开源（Apache 2.0）。模型权重在 Hugging Face 和 ModelScope 上可用。
使用场景
多语言语音合成用于内容创作、配音与无障碍
虚拟助手、游戏角色和品牌声音的语音设计
高保真语音克隆用于个性化语音应用
优点
免 Tokenizer 架构比离散 token TTS 产生更自然、更具表现力的语音
单一模型支持 30 种语言，自动语言检测
自然语言描述即可设计语音——无需参考音频
48kHz 录音室级输出，内置超分辨率
Apache 2.0 协议，来自声誉良好的 OpenBMB 团队（清华大学）
缺点
需要较强 GPU 资源（推荐 RTX 4090）才能实时推理
核验时 101 个未关闭 issue
文档分散在 GitHub、ReadTheDocs 和 Hugging Face 多个平台
上次推送 35 天前——活跃度中等
最新动态
2026年7月：VoxCPM2 发布，2B 参数、30 语言、语音设计、可控克隆、48kHz 输出与实时流式。
