返回博客

VoxCPM2 和 Qwen3-TTS 怎么选?从配音语言和参考材料开始

对照官方型号、语言范围和参考录音要求,区分自建模型与在线服务,再用同一句短稿比较适合自己的配音工作流。

2026年11月17日VoxCPM.net

做配音时,先看目标语言和手里有什么材料,再选模型。VoxCPM2 的官方语言范围是 30 种;本文核对的 Qwen3-TTS 开源型号覆盖 10 种。中英文配音两边都可以纳入试听,但 Qwen 的 Base、CustomVoice、VoiceDesign 对应不同任务,选错型号会比参数大小更直接地影响操作。

本文由运营 VoxCPM 在线服务的 VoxCPM.net 编写;本站独立运营,不是 OpenBMB 或 Qwen 的官方网站。以下是 2026 年 11 月 17 日核对官方资料后的选型说明,没有进行同条件的双模型生成测试,不给音质、克隆相似度或时延排名。

你的配音需要哪种语言?

OpenBMB 的 VoxCPM2 模型卡列出 30 种语言,另有 9 种中文方言,模型 ID 是 openbmb/VoxCPM2。这与旧版 VoxCPM1.5、VoxCPM-0.5B 的语言范围不同。

Qwen3-TTS 的已发布型号表列出中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语,共 10 种。本文比较的是该表中的 12Hz 开源系列,主要以 1.7B 的三种型号说明功能;Base 和 CustomVoice 另有 0.6B 版本,不能把型号名省略后当作同一结果。

如果你的稿件是印地语、阿拉伯语或越南语,VoxCPM2 将它们列入支持范围,Qwen 上述 10 语型号没有。可以据此先筛掉不满足语言要求的方案;支持列表不等于每种语言、口音、专名都能稳定读对。若两边都支持,仍应请熟悉目标语言的人回听实际稿件。

只有稿件、只有声音描述,还是有录音?

只有稿件,想先听一段旁白。 VoxCPM2 的基本 TTS 不要求参考录音。Qwen 的 Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice 使用预设说话人,官方列出 9 个声音;其中 CustomVoice 不是“上传任意录音”的意思。先选一个适合稿件语言的预设,再比较读字和停顿,见 CustomVoice 模型卡。

没有录音,但能描述音色。 两边都有声音设计。VoxCPM2 的官方接口把声音描述放在目标文字前的括号里;Qwen 要选择 Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign,分别传入要读的文字和声音描述。不要把 VoiceDesign 的操作套到 Base 型号上。可用“温暖、沉稳的成年声音,语速适中”作为自己的起始描述,参考 VoxCPM2 声音设计示例和 Qwen VoiceDesign 用法。描述相同也不保证生成相同音色。

有自己录制或明确获准使用的声音。 先分清两份文字:参考转写是录音里原本说了什么;目标稿件是希望新音频读什么。

  • VoxCPM2 的可控克隆示例只需 reference_wav_path 和目标文字;其续接式 Ultimate Cloning 示例则还提供参考录音的准确转写 prompt_text。这是两个用法,不应把“无需转写”扩展成所有克隆模式都不需要。见官方克隆示例。
  • Qwen 的 Qwen/Qwen3-TTS-12Hz-1.7B-Base 常规克隆示例使用 ref_audio 和准确的 ref_text。设置 x_vector_only_mode=True 时可以不填参考转写,但只使用说话人嵌入,官方提示克隆效果可能下降。若有清晰录音和准确转写,可先按常规路径试听;没有转写时再有意识地选择替代模式。见 Base 模型卡。

在线试用和自己部署,比较的是什么?

自建时,两边都有官方代码和权重,可以记录确切型号、代码版本、采样设置和设备。你需要自行准备运行环境、管理文件并承担推理资源消耗。本文不要求先下载权重;如果已经具备环境,再按 OpenBMB 仓库或 Qwen 仓库核对配置。

在线时,你比较的是托管服务提供的功能和限制。本站提供 VoxCPM2 的文本转语音、语音克隆和声音设计入口,没有 Qwen3-TTS 切换选项。本站“生成文本”是目标稿件,没有单独的参考转写输入框,不能据此说本站面板覆盖了上游的全部模式。具体录音准备见参考音频教程。

想比较两款模型读同一句话的效果,可以把自己的短稿分别粘贴到 OpenBMB 的 VoxCPM2 在线演示和 Qwen 的 Qwen3-TTS 在线演示。提交前分别查看当前的使用条件和额度提示。

不同服务的排队、传输、缓存和设备都会影响等待时间。公开模型的性能数字不能直接当作这两个网页的响应速度。

用同一句稿件做自己的试听

先听本站已生成的中英文 TTS 样音:英文 3.04 秒,中文 3.84 秒。它们由本站内部工作流于 2026 年 11 月 13 日生成,未选音色、未给参考录音或风格指令;教程记录了文件信息和开头需回听的地方。它们是 VoxCPM2 的两段成品,没有配套的 Qwen 同条件样音,也不是克隆效果证明。

要决定哪种适合自己的配音,可以用以下方法:

  1. 固定文字和任务。 先选中文“今天的展览已经准备好了,欢迎你来参观。”或英文“The small exhibition is ready. You are welcome to visit.”。两边使用完全相同的文字和标点,不在一边额外加情绪指令。可从本站文本转语音开始,提交前核对额度和任何收费提示。
  2. 分开做旁白、设计和克隆。 默认声音与 Qwen 预设声音的比较只能回答这两次旁白是否合用;不能说明克隆谁更像。做克隆时,两边使用同一份有授权的参考原文件和同一目标稿;需要转写的模式填准确转写,记录是否启用了免转写模式。声音设计则使用同一描述,单独记为另一项任务。
  3. 保留所有约定次数的结果。 例如预先决定每边各 3 次;额度不够就停止并记下,别只保留最好的一条。记录完整型号、日期、服务或本地环境、设置、失败和重试。若在线服务不显示种子、推理参数或确切版本,注明未知。
  4. 先听字,再听表达。 检查漏字、重读、数字和专名,再看停顿、语速、尾音和杂音。用相同设备和播放音量,隐藏模型标签轮流听;如需调响度,保留原文件并对两边使用同一规则。
  5. 单独记等待时间。 区分点击后首次可听、整段生成完成和文件下载完成;记录队列与网络条件。不同机器或托管服务的结果只说明当次使用体验,不足以给模型速度排名。

最终选择能读对你的语言、接受你现有材料,并能在预算和操作条件内反复得到可用配音的工作流。若这些条件还没对齐,先完成同句试听,比选一个笼统的“更好模型”更有帮助。