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。
延伸阅读
- OmniVoice 与 VoxCPM2 对比:该选哪个开源文字转语音模型?
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源文字转语音(TTS)模型
- 开放语音模型:转写很开放,文字转语音则参差不齐
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。
- VoxCPM repository and news (GitHub) github.com
- VoxCPM2 model card (Hugging Face) huggingface.co
- VoxCPM documentation voxcpm.readthedocs.io
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 |