VoxCPM 开源 TTS 语音合成实测:清华 OpenBMB 出品,一句话设计新音色、克隆真声,4.2 万星

VoxCPM 项目页中文卡片

VoxCPM 介绍横幅

这是什么

VoxCPM 是清华大学 OpenBMB(也就是推出 MiniCPM、ChatDev 的那个团队)出品的开源 TTS(文本转语音)系统,在 GitHub 上有约 4.2 万颗星。它最大的技术特色是「无 tokenizer」——传统 TTS 大多先把文字切成一个个离散的音素 token 再合成语音,而 VoxCPM 用端到端的扩散自回归架构直接生成连续的语音表征,绕开了 token 化带来的生硬感,所以合成的语音更自然、更富有表现力。最新的 VoxCPM2 是一个 20 亿参数的模型,用 200 万小时以上的多语言语音训练,支持 30 种语言、还能「用文字描述就设计出一个全新的声音」,以及可控的语音克隆,输出 48kHz 的录音室级音质。

核心能力

  • 无 tokenizer 端到端合成:直接生成连续语音表征,避免离散 token 的失真,声音更自然流畅、表现力更强
  • 30 种语言多语种:任意支持语言直接合成,无需额外指定语言标签,跨语种也能读
  • 声音设计(Voice Design):不用任何参考音频,只用一句自然语言描述(性别、年龄、语气、情绪、语速等),就能凭空「设计」出一个全新的声音
  • 可控语音克隆:用一小段参考音频复刻音色,还能通过风格指引调节情绪、语速、表达,同时保留原音色
  • 极致克隆:提供参考音频与文字描述,可复现更多声音细节,逼近「真人级」还原
  • 48kHz 录音室音质:输出高采样率音频,适合配音、有声内容等对音质有要求的场景

适合谁

  • 做短视频、有声书、播客配音,需要自然、有表现力的中文/多语言配音的人
  • 想给自己做一个专属数字分身声音、或批量克隆音色做内容生产的创作者
  • 需要给产品加 TTS 能力、又希望数据不出本地、可自托管的开发者与企业
  • 对最新开源语音合成技术感兴趣、想上手体验「文字设计声音」的研究者与爱好者

获取方式

官网:https://voxcpm.com

项目地址:https://github.com/OpenBMB/VoxCPM

项目以 Apache-2.0 协议开源,模型权重可在 Hugging Face、ModelScope 免费下载,官网提供在线 Demo 与完整文档;也可按 README 在本地部署推理,官方同时提供了 Gradio 交互界面方便快速体验。

相关阅读

© 版权声明

相关文章