VoxCPM2

面壁智能 2B 参数、Apache 2.0 的 TTS:30 种语言、文字描述设计音色、克隆,约 8 GB 显存即可输出 48 kHz。

一句话概括. VoxCPM2 支持 30 种语言和九种中文方言,输出 48 kHz 的录音棚级音频。你可以只靠描述创造新音色,从一小段音频克隆音色,或用指令控制情绪和语速。它约需 8 GB 显存,Apache 2.0 许可证允许商用。

概述

面壁智能(OpenBMB)于 2026 年 4 月发布 VoxCPM2,这是其 VoxCPM 语音合成系列的最新大版本,该系列在 2025 年 9 月发布过技术报告。它约有 20 亿参数,基于 MiniCPM-4,用 200 万小时以上的多语种语音训练,采用无分词器的扩散自回归设计,不依赖离散的语音分词器。AudioVAE V2 输入 16 kHz 音频、输出 48 kHz 音频,语言模型的速率为 6.25 Hz。

它无需语言标签即可支持 30 种语言,另有九种中文方言,包括四川话、粤语、吴语和闽南话。音色设计可以根据对性别、年龄、语气、情绪和语速的文字描述创造声音。可控克隆从一小段音频复制音色,并可选加风格引导;终极克隆在提供参考音频及其文字稿时,继续参考音频的内容。模型卡给出的实时因子在 RTX 4090 上约 0.30,用 Nano-vLLM 约 0.13,模型约需 8 GB 显存。LoRA 和全量微调只需 5 到 10 分钟的音频。

权重和代码均为 Apache 2.0,可免费商用。OpenBMB 称音色设计和风格控制每次运行可能不同,建议生成一到三次;质量取决于各语言的训练数据;很长或表现力很强的输入可能不稳定。它严禁冒充、欺诈和造谣。部署方式包括 voxcpm 包、vLLM-Omni,以及带 GGUF 权重的 llama.cpp-omni。GitHub 上的基准表都是 OpenBMB 自己的。

适合做什么

  • 输出 48 kHz 的多语言语音,包括中文方言
  • 不用任何参考音频,仅凭文字描述创造新音色
  • 用几分钟音频做声音克隆和微调,采用 Apache 2.0
  • 在约 8 GB 显存的 GPU 上本地做 TTS

需要注意

  • 音色设计和风格控制每次运行结果不同,可能需要多生成几次
  • 质量因语言而异,很长或表现力很强的输入可能不稳定
  • 严禁冒充、欺诈和造谣,AI 生成的音频应加以标注
  • 基准结果来自 OpenBMB 自己

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 VoxCPM2 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
VoxCPM2 BF16 2.29B 4.96 GB 8 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 8 GB。

许可证,用大白话说

最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。

进一步了解 Apache 2.0

延伸阅读

常见问题

VoxCPM2 是什么?
VoxCPM2 支持 30 种语言和九种中文方言,输出 48 kHz 的录音棚级音频。你可以只靠描述创造新音色,从一小段音频克隆音色,或用指令控制情绪和语速。它约需 8 GB 显存,Apache 2.0 许可证允许商用。
VoxCPM2 可以商用吗?
可以。VoxCPM2 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
VoxCPM2 是开源的吗?
VoxCPM2 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 VoxCPM2 吗?
可以。最小版本 VoxCPM2 在 4 位精度下约需 8 GB 内存,现代笔记本或中端显卡即可胜任。
VoxCPM2 是什么时候发布的?
VoxCPM2 由 OpenBMB 于 2026年4月 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
OmniVoice Xiaomi 613M – CC BY-NC (非商用) 3.75 GB 笔记本或手机
Qwen3-TTS Alibaba Qwen 910M – 1.92B – Apache 2.0 (宽松) 3.68 GB 笔记本或手机
MOSS-TTS OpenMOSS 4.55B – 8.49B – Apache 2.0 (宽松) 10 GB 笔记本或手机
LFM3-Audio-2B Liquid AI 2B 32K LFM Open 1.0 (附条件) 4.6 GB 笔记本或手机