概览
VoxCPM2 是面壁智能旗下开源社区 OpenBMB 在 2026 年 4 月发布的语音合成模型，也是 VoxCPM 系列的第三代。它基于 MiniCPM-4 语言模型底座，总参数 2B，在超过 200 万小时的多语种语音上训练。和多数 TTS 先把声音切成离散 token 不同，VoxCPM 走的是「无 tokenizer」路线：用扩散自回归架构直接生成连续的语音表征，官方认为这样韵律和情感更自然。相比上一代 VoxCPM1.5（底座 0.6B，只支持中英文），这一代把语言扩到 30 种，另外支持四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话和闽南话 9 种中文方言，输入文本时不用标注语言。 用法上有三种模式。声音设计：在文本开头用括号写一句音色描述，比如「(A young woman, gentle and sweet voice)」，不需要任何参考音频就能凭空生成一个新声音。可控克隆：给一段短的参考录音复刻音色，还能在括号里加「语速稍快、语气欢快」之类的风格提示。高保真克隆：同时给参考音频和它的逐字稿，模型按续写方式还原说话人的细节。参考音频按 16 kHz 输入，内置超分的 AudioVAE V2 直接输出 48 kHz 音频。它支持流式生成，官方给出的实时率在 RTX 4090 上约 0.30，用 Nano-vLLM 加速后约 0.13，显存约 8 GB；单次最长 8192 个 token，约 20 分钟音频。官方 Seed-TTS-eval 成绩为英文 WER 1.84%、中文 CER 0.97%、困难集 CER 8.13%，以上均为官方自测。安装用 pip install voxcpm，需要 Python 3.10 以上、PyTorch 2.5 以上和 CUDA 12 以上；不想装 Python 环境时，官方 README 推荐用 llama.cpp-omni 加载 GGUF 权重在端侧推理。支持 LoRA 和全量微调，官方说 5 到 10 分钟的录音就够做 LoRA。官方提醒，声音设计和风格控制每次结果会有差异，建议生成一到三次挑选；严禁用于冒充他人、诈骗和制造虚假信息，AI 生成的语音应明确标注。官方来源：https://github.com/OpenBMB/VoxCPM 、https://huggingface.co/openbmb/VoxCPM2 、https://modelscope.cn/models/OpenBMB/VoxCPM2 、https://voxcpm.readthedocs.io/en/latest/ 、https://arxiv.org/abs/2606.06928 。 定价：权重、微调代码与推理工具均以 Apache-2.0 协议免费开源，可下载后本地部署和商用；官方没有提供按量计费的 API，因此不列单价。
- 模态
- 音频
- 参数量
- 2B
- 许可说明
- 开源 · Apache-2.0
能力
- 面壁智能 OpenBMB 开源的第三代 VoxCPM 语音合成模型，2B 参数，基于 MiniCPM-4，权重与代码均为 Apache-2.0，可商用
- 不用离散音频 tokenizer，采用扩散自回归架构直接生成连续语音表征，训练数据超过 200 万小时多语种语音
- 支持 30 种语言和四川话、粤语、吴语、东北话、闽南话等 9 种中文方言，输入文本不需要标注语言
- 声音设计：在文本开头用括号写一句描述（性别、年龄、语气、情绪、语速），不需要参考音频就能生成新音色
- 可控克隆：给一段短参考音频即可复刻音色，并可用括号里的风格提示调整情绪和语速；同时提供参考音频和逐字稿可做高保真续写克隆
- 输入 16 kHz 参考音频，经内置超分的 AudioVAE V2 直接输出 48 kHz；支持流式生成，RTX 4090 上实时率约 0.30，用 Nano-vLLM 加速约 0.13，显存约 8 GB
- 官方 Seed-TTS-eval：英文 WER 1.84%、中文 CER 0.97%、困难集 CER 8.13%；支持 LoRA 与全量微调，5 到 10 分钟音频即可做 LoRA
