核心信息
VoxCPM 是 OpenBMB 开发的开源文本转语音系统（19k Stars），采用无 Token 化（Tokenizer-free）的扩散自回归架构，直接在连续语音表示上建模。VoxCPM2（2B 参数）在 200 万+ 小时多语言语音数据上训练，支持 30 种语言、语音描述设计、可控声音克隆、48kHz 输出和实时流式推理。
- 作者：OpenBMB（ModelBest + THUHCSI）
- Stars：19k
- Forks：2.3k
- 许可证：Apache-2.0
- 版本：v2.0.3（2026-05-11，14 个 Release）
- 技术栈：Python 100%（PyTorch ≥2.5，MiniCPM-4 骨干，AudioVAE V2）
核心功能
| 功能 | 说明 |
|---|---|
| 30 语言支持 | 英/中/日/韩/法/德/西/俄/阿拉伯/泰/越等，含 8 种中文方言 |
| 语音设计 | 纯文本描述生成声音（性别/年龄/语气/情感/语速），无需参考音频 |
| 可控声音克隆 | 短音频克隆，支持风格引导（情感/语速/表达） |
| 终极克隆 | 参考音频+文本的延续式克隆，保留音色/节奏/情感/风格 |
| 48kHz 输出 | AudioVAE V2 非对称编解码，内建超分辨率 |
| 实时流式 | RTF ~0.3（RTX 4090），~0.13（Nano-vLLM 加速） |
| SFT + LoRA 微调 | 5-10 分钟音频即可适配 |
| 四阶段管线 | LocEnc → TSLM → RALM → LocDiT（Flow Matching） |
性能对比
VoxCPM2 在多项评测中领先开源 TTS：
- Seed-TTS-eval：WER 1.84%，SIM 75.3%，超越 CosyVoice2、F5-TTS、MaskGCT
- 30 语言内部评测：平均 CER/WER 1.68%，在希伯来语（2.98% vs Fish S2 15.27%）、高棉语（2.05% vs 75.15%）等低资源语言上优势显著
- InstructTTSEval：中文 APS 85.2 / DSD 71.5，领先 Qwen3TTS
安装方式
pip install voxcpm关联连接
- VoxCPM — 项目实体页面
- 当前知识库暂无语音/Audio 相关页面，VoxCPM 填补了这一空白