VoxCPM2 评测：30 语种、2 亿参数、零分词器的前沿 TTS 语音合成引擎

一句话介绍

VoxCPM2 是智谱旗下 OpenBMB 团队开源的新一代文本转语音（TTS）模型，2B 参数，支持 30 种语言、声音设计（Voice Design）、可控声纹克隆，以及 48kHz 专业级音频输出。在 GitHub 上已获得超过 30,000 个星标，是目前最热门的开源 TTS 项目之一。

它解决了什么问题？

TTS 领域长期面临几个核心难题：多语言语音合成需要切换不同模型、声纹克隆音质不稳定、语音合成缺乏情感控制，以及高分辨率音频输出依赖外部超分工具。

VoxCPM2 通过全新的”零分词器”（Tokenizer-Free）架构，端到端地直接生成连续语音表示，彻底绕过了传统方法中对离散声学 token 的依赖。这使得模型能够在保持极高自然度的同时，支持更灵活的声音控制和更广泛的语种覆盖。

核心功能

1. 30 种语言零标签多语言合成

VoxCPM2 支持阿拉伯语、日语、韩语、中文、英语、法语、德语、西班牙语、俄语、印地语等 30 种语言，无需手动指定语言标签，模型根据输入文本自动识别语种并合成。此外还支持四川话、粤语、吴语、东北话等 8 种中文方言。

2. 声音设计（Voice Design）

这是 VoxCPM2 最具吸引力的功能之一。只需一段自然语言描述，就能创建全新的声音——例如”(年轻女性，温柔甜美的声音)“或”(中年男性，低沉沙哑的声线，缓慢语速)“，无需任何参考音频。这对于需要原创配音声音的场景（如动画制作、有声书）极具价值。

3. 可控声纹克隆（Controllable Voice Cloning）

上传一段参考音频即可克隆声纹，同时保留对情感、语速和风格的控制能力。例如可以克隆某个人的音色，同时让克隆声音用欢快的语气说话，实现音色与表现力的分离控制。

4. 极致克隆（Ultimate Cloning）

提供参考音频及其文本转录，模型会从参考音频中逐字继承每一个声音细节——包括音色、节奏、情感和风格，实现几乎完美的克隆效果。适合需要高保真还原特定说话人声音的场景。

5. 48kHz 专业级音频输出

传统 TTS 模型通常输出 16kHz 或 22kHz 的音频，而 VoxCPM2 直接输出 48kHz 的 48kHz 工作室级音频，通过 AudioVAE V2 的非对称编解码设计内置了超分辨率功能，无需外部上采样器即可获得广播级音质。

6. 实时流式合成

在 NVIDIA RTX 4090 上，VoxCPM2 的实时因子（RTF）低至约 0.3，意味着 10 秒的语音可以在 3 秒内生成。配合 Nano-vLLM 或 vLLM-Omni 加速后，RTF 可降至约 0.13，满足实时对话和直播等场景的需求。

适用人群

• 有声书制作人与播客创作者：声音设计功能可创建独特的配音音色，无需录音即可生成高质量语音内容
• 视频制作者与动画师：多语言和方言支持使其成为全球内容创作者的理想选择
• AI 应用开发者：Apache-2.0 开源协议允许商用，Python API 简洁易用，便于集成到各类产品中
• 语言学习者和翻译工作者：30 种语言的原声合成，为语言学习提供真实自然的听感素材
• 语音技术研究者：零分词器架构为 TTS 研究提供了新的技术路线

与同类工具对比

vs. Kokoro TTS

VoxCPM2 在功能丰富度和音质上全面领先，但模型体积也更大。Kokoro TTS 的优势在于超轻量级部署，适合资源受限的边缘设备。

vs. OpenAI TTS

对于注重数据隐私和成本控制的场景，VoxCPM2 是更好的选择。

vs. CosyVoice（阿里）

VoxCPM2 的零分词器架构带来了更自然的语音质量，且 Apache-2.0 协议在商业使用上更加友好。

如何使用

安装

pip install voxcpm

系统要求： Python ≥ 3.10（< 3.13），PyTorch ≥ 2.5.0，CUDA ≥ 12.0

基础 TTS 合成

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
    "openbmb/VoxCPM2",
    load_denoiser=False,
)

wav = model.generate(
    text="VoxCPM2 是目前推荐使用的多语言语音合成模型。",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)
print("已保存: demo.wav")

声音设计——从零创建声音

wav = model.generate(
    text="(一位年轻女性，温柔甜美的声音)你好，欢迎来到 VoxCPM2！",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("voice_design.wav", wav, model.tts_model.sample_rate)

声纹克隆

wav = model.generate(
    text="这是通过 VoxCPM2 克隆的声音。",
    reference_wav_path="path/to/voice.wav",
)
sf.write("clone.wav", wav, model.tts_model.sample_rate)

流式合成（适合实时对话场景）

import numpy as np

chunks = []
for chunk in model.generate_streaming(
    text="流式语音合成让实时对话变得简单。",
):
    chunks.append(chunk)
wav = np.concatenate(chunks)
sf.write("streaming.wav", wav, model.tts_model.sample_rate)

快速体验（无需安装）

可以直接访问 Hugging Face 上的在线 Demo：https://huggingface.co/spaces/OpenBMB/VoxCPM-Demo

总结

VoxCPM2 代表了当前开源 TTS 领域的最高水平之一。其零分词器架构在语音自然度上达到了令人印象深刻的高度，30 种语言的支持使其成为真正的多语言语音合成平台。声音设计功能的加入更是降低了内容创作者的门槛——无需录音设备，一段文字描述即可生成专属声音。

推荐指数：★★★★★（5/5）

优点： - 功能全面：TTS、声音设计、声纹克隆一站式解决 - 音质出色：48kHz 专业级输出，超越大多数竞品 - 完全开源：Apache-2.0 协议，可自由商用 - 多语言支持：30 种语言 + 8 种中文方言 - 推理高效：RTF 低至 0.3，适合实时场景

需要注意： - 模型体积较大（2B 参数），需要 GPU 推理 - 对中文方言的支持仍在不断完善中 - Python 版本限制（不支持 3.13+）

对于需要高质量多语言语音合成的项目，VoxCPM2 是当前最值得尝试的开源方案。无论是作为最终产品的一部分，还是作为开发阶段的原型验证，它都能提供超出预期的表现。

相关链接： - GitHub 仓库：https://github.com/OpenBMB/VoxCPM - Hugging Face 模型：https://huggingface.co/openbmb/VoxCPM2 - 在线 Demo：https://huggingface.co/spaces/OpenBMB/VoxCPM-Demo - 官方文档：https://voxcpm.readthedocs.io - 技术报告：https://arxiv.org/abs/2606.06928

想了解更多 AI 工具？浏览 198007.xyz/tools 获取精选 AI 工具合集，或查看 AI 语音合成工具评测 了解热门工具深度横评。