定义
VoxCPM 是 OpenBMB 开发的开源文本转语音系统（19k Stars），采用无 Token 化的扩散自回归架构直接生成连续语音表示。VoxCPM2（2B 参数量）在 200 万+ 小时多语言语音数据上训练，支持 30 种语言，提供语音设计、声音克隆、48kHz 高质量输出和实时流式推理，是知识库首个 AI 语音合成领域项目。
核心特性
- 无 Token 化架构：直接在连续语音表示上建模，跳过离散音频 Token 的量化损失
- 四阶段生成管线：LocEnc（位置/文本编码）→ TSLM（文本到语音语言模型）→ RALM（参考感知语言模型）→ LocDiT（位置感知扩散 Transformer）
- 语音描述设计：文本描述即可生成声音，如 “(A young woman, gentle and sweet voice)”
- 多模式克隆：可控克隆（参考音频+文本风格）和终极克隆（延续式最高保真）
- 30 语言 + 8 种中文方言：覆盖主流语言和低资源语言
- 生产部署：Nano-vLLM / vLLM-Omni 加速，OpenAI 兼容 API，Docker 支持
- 社区生态：ComfyUI、ONNX、Rust、Apple Neural Engine、GGML 等移植
关联连接
- 摘要-voxcpm — 项目详细摘要