VoxCPM2Voxcpm
VoxCPM2

VoxCPM2

VoxCPM2 多语言文本转语音 声音设计与可控声音克隆

立即生成免费注册

使用 Google 继续，首次登录即可注册。

文本转语音

选择声音，输入文本，然后生成清晰自然的音频。

生成语音
支持输入多种语言，系统将根据文本语言生成对应语音。
0 / 120 字符，剩余 120 字符预计消耗 0 积分
🚀
Elon Musk
EN
Deep, conversational and confident male voice. Perfect for online courses and e-learning. Incredible emotional authenticity.
🧽
SpongeBob
EN
Exceptionally energetic and playful voice. Vibrant, child-like male voice perfect for motivational content and sports commentary.
🦅
Donald Trump
EN
Deep, authoritative male voice. Confident, conversational tone perfect for podcasts and voiceovers.
👩
Friendly Women
EN
Warm and friendly female voice. Natural and engaging, perfect for customer service and narration.
🎙️
Energetic Male
EN
Energetic youthful male voice. Great for commercials, social media, and dynamic content.
👩
AD学姐
ZH
自信俏皮活力的女声，语速较快，适合短视频、抖音内容、直播带货。AI TTS技术，声音真实自然。
🐴
赛马娘
ZH
充满朝气、励志且友好的年轻女声。适合短视频、TikTok内容，以及客户服务与虚拟助手。声音富有感染力。
🐺
灰太狼
ZH
青青草原狼大王的雄音，浑厚有力的男声，适合角色扮演和故事叙述。
☯️
太乙真人
ZH
哪吒太乙真人声音，沉稳大气的男性声音，适合神话故事和角色扮演。
🧔
丁真
ZH
年轻温暖的男声，富有叙事感，适合短视频、TikTok内容创作。声音自然流畅。

VoxCPM2 核心能力

了解多语言 TTS、声音设计和可控声音克隆背后的模型能力。

2B 多语言语音模型

VoxCPM2 支持 30 种语言和 9 种中文方言，采用 MiniCPM-4 骨干网络。

免外部离散语音 tokenizer

模型不依赖外部离散语音 tokenizer 或音频 codec，而是在连续语音表示中生成音频；文本仍由语言模型 tokenizer 编码。

自然语言声音设计

只需用自然语言描述声音，无需提供参考音频即可生成新的声音。

可控声音克隆

提供参考音频，并可选加入风格提示，在保留音色的同时调整语速、情绪和表达。

48 kHz 音频输出

VoxCPM2 支持 16 kHz 参考音频输入，并通过 AudioVAE 流程输出 48 kHz 音频。

VoxCPM2 模型事实

以下为官方模型信息；线上延迟和音频质量取决于实际部署配置。

2B
参数量

当前 VoxCPM2 版本

30
支持语言

另含 9 种中文方言

48 kHz
音频输出

支持 16 kHz 参考音频

约 0.30
RTX 4090 参考 RTF

官方 PyTorch 参考值

来源：OpenBMB VoxCPM2 官方模型资料；线上服务结果可能不同。

VoxCPM 模型版本

对比当前 VoxCPM2 版本与早期 VoxCPM 模型的官方事实。

VoxCPM2
音频输出
48 kHz
参数量
2B
参考音频
16 kHz input
零样本
多语言
开源
VoxCPM1.5
音频输出
44.1 kHz
参数量
0.6B
参考音频
Reference + continuation
零样本
多语言
开源
VoxCPM-0.5B
音频输出
16 kHz
参数量
0.5B
参考音频
Continuation
零样本
多语言
开源

以上为官方模型版本事实；线上延迟和音频质量取决于部署配置。

VoxCPM2 音频演示

通过在线演示体验跨语言语音、情绪表达和上下文感知生成。

跨语言 - 英→中

英语说话人声音克隆为中文语音

跨语言 - 中→英

中文说话人声音克隆为英文语音

情感 - 开心

情感丰富的开心语调表达

情感 - 悲伤

情感丰富的悲伤语调表达

上下文感知 - 新闻

智能新闻播报风格

上下文感知 - 故事

智能故事讲述风格

更多音频示例请访问官方演示页面

VoxCPM2 技术资源

阅读 VoxCPM2 技术报告和开源实现，并查看官方模型资源。

学术论文

详细的技术原理、实验结果和性能评估报告

阅读论文

开源代码

完整源代码、模型权重和训练脚本

访问仓库

快速开始

安装官方包并使用 VoxCPM2 生成多语言语音。

开始使用

模型下载

预训练模型权重，可直接用于推理

下载模型

API文档

详细的API接口说明和使用示例

查看文档

社区支持

加入开发者社区获取技术支持和讨论

加入讨论

技术亮点

Apache 2.0开源许可证
2B模型参数
30支持语言
48 kHz音频输出

应用场景

VoxCPM2 可用于内容创作、语言学习、无障碍服务和多语言音频制作等实际场景。

有声书制作

快速生成具有一致声音的高质量有声书

语言学习

个性化语音教育，多语言口音训练

内容创作

视频配音和播客制作的专业语音解决方案

无障碍应用

为视障人士提供个性化阅读体验

本地运行 VoxCPM2

安装官方包并使用 VoxCPM2 生成多语言语音。

1

安装官方包

安装官方 Python 包（Python ≥ 3.10、PyTorch ≥ 2.5、CUDA ≥ 12.0）。

pip install voxcpm
2

加载 VoxCPM2 模型

从 Hugging Face 加载最新权重：

from voxcpm import VoxCPM
model = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)
3

生成音频

生成语音并按原生采样率保存：

Initialize model
import soundfile as sf
Speech synthesis
text = 'VoxCPM2 generates expressive multilingual speech.'
wav = model.generate(text=text, cfg_value=2.0, inference_timesteps=10, seed=42)
sf.write("output.wav", wav, model.tts_model.sample_rate)

系统要求

Python 3.10–3.12
PyTorch 2.5+
CUDA 12.0+
请查看官方部署文档
模型参考约需 8GB 显存

常见问题

关于 VoxCPM2 技术和使用的常见问题与解答