VoxCPM

VoxCPM 是面壁智能开源的新一代语音合成（TTS）模型，定位为”创造富有表现力的 AI 语音”，覆盖情感有声书、游戏角色配音与多语言语音生成等场景。模型采用无离散音频分词器（Tokenizer-Free）的端到端扩散自回归架构，直接生成连续语音表征，绕过音频离散编码步骤。最新版本 VoxCPM2 基于 MiniCPM-4 基座构建，总计 20 亿参数，在超过 200 万小时的多语种音频数据上训练，支持 30 种全球语言与 9 种中文方言，原生输出 48kHz 高质量音频；权重与代码基于 Apache-2.0 协议发布，可免费商用。

VoxCPM 的核心功能

• 多语言语音合成： 支持 30 种全球语言与 9 种中文方言，直接输入原始文本即可合成，无需额外语言标签。
• 音色设计： 通过自然语言描述（性别、年龄、音色、情绪、语速等）凭空创建全新音色，无需提供参考音频。
• 可控声音克隆： 从参考音频片段克隆任意声音，可叠加风格指令控制情绪、语速与表现力，同时保持原始音色；提供参考音频及文本内容时，模型可接续参考音频无缝续写，精准还原声音细节。
• 48kHz 高质量音频与实时流式合成： 输入 16kHz 参考音频，通过 AudioVAE V2 非对称编解码设计直接输出 48kHz 高质量音频，内置超分能力；支持语境感知合成，根据文本内容自动推断韵律与表现力。官方基准实时因子（RTF）为 0.17，在 NVIDIA RTX 4090 上流式合成 RTF 低至约 0.3，经 vLLM 加速后可低至约 0.13。

VoxCPM 的典型应用场景

• 有声书与内容创作： 支持快速生成声音一致的高质量有声书，并为视频配音、播客制作提供专业语音解决方案。
• 语言学习与无障碍应用： 支持多语种口音训练的个性化语音教学，并为视障人士提供个性化阅读体验等无障碍应用。