VoxCPM2 多语种产品旁白：用三种语言听见 Aurora
在 OpenBMB，我们打造了 VoxCPM2，用 30 种受支持的语言生成语音。这个 2B 参数的模型可输出原生 48 kHz 音频，既支持按文字描述设计音色，也支持基于参考音频进行克隆。
下面，同一款虚构产品 Aurora 台灯，分别用英文、中文和西班牙语介绍。每段文案都完整附上，方便你边读边对照产品名、按键说明和结尾。
听 Aurora 用三种语言讲述产品
英文 — 24.00 秒
Meet the Aurora Desk Light, a simple way to bring focused light to your workspace. Start your morning by opening your notebook, setting out your plans, and tapping the button once. A focused beam puts the page in front of you at the center of attention. When you need a different level of brightness, hold the button and adjust the light to suit the task. Use this moment to settle in, review your priorities, and choose where to begin. At the end of the day, give your lamp a full charge and get ready for your next work session.
这段英文的选择是有讲究的：早先一个较短的英文版本有明显的噪声和尖锐的音节，我们试听后换成了这段更长的版本。
中文 — 25.60 秒
认识一下 Aurora 台灯，用一束聚焦的光照亮你的工作空间。早晨开始时，打开笔记本，整理好当天的计划，再轻按一次按钮。聚焦光束会照亮你面前的页面。需要改变亮度时，长按按钮，让光线适合手头的任务。利用这片刻时间安顿下来，回顾待办事项，并决定先从哪里开始。一天结束后，为台灯充满电，准备迎接下一次工作。
试听这段中文时，产品名、漏字或重复、停顿和结尾都没有明显问题。
西班牙语 — 29.76 秒
Conoce la lámpara de escritorio Aurora, una forma sencilla de iluminar tu espacio de trabajo. Empieza la mañana abriendo tu cuaderno, organizando tus planes y pulsando el botón una vez. Un haz de luz concentrado ilumina la página que tienes delante. Cuando necesites otro nivel de brillo, mantén pulsado el botón y ajusta la luz a tu tarea. Aprovecha ese momento para acomodarte, repasar tus prioridades y decidir por dónde empezar. Al terminar el día, carga por completo la lámpara y prepárate para tu próxima sesión de trabajo.
试听检查没有发现明显噪声、重复段落或突然结束。
这三个样本都使用纯文本转语音：没有音色描述，也没有参考录音。它们展示的是同一段产品旁白在三种语言下的效果，并没有使用同一个克隆音色。
什么时候用 Voice Design，什么时候用参考音色
Voice Design 会在朗读文本之前加一段文字描述。例如，文档中的语法把描述放在括号里：
text = "(A young woman, gentle and sweet voice)Meet the Aurora Desk Light."
这是一个输入示例，与上面三段纯文本转语音的录音无关。描述表达的是希望得到的表达方式，最终生成的版本是否适合产品，仍要听了才知道。我们的模型卡建议一次生成一到三个候选，因为结果会有差异。
如果你已经有固定的品牌发言人，基于参考音频的克隆就是更合适的工作流。请使用已获得授权、覆盖预期用途的录音。官方演示页提供了 Voice Design 和音色克隆的示例，可以和这里的产品样本一起听。
已公布的基准测试补充了什么
我们的 Seed-TTS-eval 结果为语音准确度和参考说话人相似度提供了背景：
评测
转写错误
说话人相似度
英文
1.84% 词错误率
75.3%
中文
0.97% 字错误率
79.5%
这些数字属于已公布的基准测试，并不是对 Aurora 录音的评分。对这个产品示例来说，可以直接检查的证据是音频和配套文案。
部署表列出 RTX 4090 上约需 8 GB 显存，实时因子约为 0.30；Nano-vLLM 路径报告约为 0.13。实时因子低于 1 表示在该环境下音频渲染速度快于其播放时长。这些 GPU 数字描述的是与我们本地 CPU 生成不同的环境。
试试你自己的产品文案
安装 Python 包，并用模型自身的采样率保存生成的波形：
pip install "voxcpm==2.0.3" soundfile
import soundfile as sf
from voxcpm import VoxCPM
model = VoxCPM.from_pretrained(
"openbmb/VoxCPM2",
device="cpu", # Use "cuda" for a compatible NVIDIA GPU.
load_denoiser=False,
optimize=False,
)
text = "Meet the Aurora Desk Light. Tap once for a focused beam."
wav = model.generate(
text=text,
cfg_value=2.0,
inference_timesteps=10,
max_len=384,
normalize=False,
denoise=False,
)
sf.write("aurora.wav", wav, model.tts_model.sample_rate)
把 text 替换成你需要的语言的文案。使用 Voice Design 时，加上前面展示的括号描述。示例只加载一次模型；生成更多文案时复用这个实例。首次运行会下载模型权重。
我们的 Aurora 长音频是在本地用 voxcpm 2.0.3 在 CPU 上以 bfloat16 生成的，seed 为 42，10 个推理步，guidance 2.0，生成长度上限 384。没有使用降噪器或参考音频。选中的英文文件生成 24 秒音频约耗时 305 秒（不含模型加载）；这属于离线渲染工作流。
从一段样本到自己的旁白
可以把 Aurora 的文案当作起点，然后换成你自己的产品名和操作说明。试听时既要听开头，也要听结尾，并把选中的版本连同文案和设置一起保留。较长的材料拆成若干段已确认的内容，比一段不间断的录音更容易修改。
如果你也在评估 Qwen3-TTS 或 IndexTTS 这类替代方案，请使用同一套产品文案。这里的录音展示的是 VoxCPM2，并不构成不同系统之间的排名。
附录：更早的一句话样本
更早的样本：“OpenBMB builds open-source AI models for everyone.” 这段 3.52 秒、48 kHz 的录音使用纯文本转语音，没有音色描述或参考录音。它保留在这里供参考；篇幅更长的三语 Aurora 录音才是主要的产品演示。
来源
功能、用法语法、基准结果和部署数据于 2026 年 10 月 22 日对照 VoxCPM 仓库、VoxCPM2 模型卡和官方音频演示核对。三段 Aurora 文案和生成设置已在上文完整给出，供参考。