VoxCPM 语音系列

VoxCPM 语音系列是 OpenBMB 开源社区的无离散音频分词器文本转语音模型家族🧑‍🧑‍🧒。模型以扩散自回归方式直接建模连续语音表征，覆盖文本转语音（TTS）、零样本声音克隆、流式合成与个性化微调。当前推荐新项目使用 VoxCPM2；VoxCPM1.5 与 VoxCPM-0.5B 保留为中英双语的历史版本与兼容入口~

系列概览

模型	参数量	语言	输出采样率	克隆方式	版本定位
VoxCPM2	2B	30 种语言，另含 9 种中文方言	48kHz	隔离参考音频克隆；也支持提示音频续写	最新版本默认选择
VoxCPM1.5	800M	中文、英文	44.1kHz	提示音频续写，需要参考文本	中英旧工程升级与兼容
VoxCPM-0.5B	640M	中文、英文	16kHz	提示音频续写，需要参考文本	初代基线与历史兼容

推荐选型

使用目标	推荐模型	选择理由
多语言生成、音色设计、可控声音克隆	VoxCPM2	这是唯一支持 30 种语言、隔离参考音频通道、Voice Design 与 Style Control 的版本。
中英项目，已有 1.x 工程或 LoRA 资产	VoxCPM1.5	在 1.x 架构内升级到 44.1kHz 输出和 6.25Hz LM token 速率，迁移路径较平滑。
复现初代行为或验证最小历史 checkpoint	VoxCPM-0.5B	保留原始 1.0 架构与 16kHz 输出，不应代表 VoxCPM2 的多语言、可控性或音质能力。

能力边界

VoxCPM2 的声音设计是在目标文本开头加入括号中的自然语言描述；其可控声音克隆可只提供参考音频，并可叠加控制描述。VoxCPM1.5 与 VoxCPM-0.5B 的克隆路径是提示音频续写：必须同时提供 prompt_wav_path 与该音频的准确转写 prompt_text。不要把两类接口、所需输入或效果预期混用。

请注意声音权益与安全。 声音克隆、微调和公开发布前必须确认说话人授权与合法使用边界。不得用于冒充、欺诈或虚假信息传播；公开传播的合成音频应明确标注为 AI 生成~

相关资源

主题	入口
代码仓库与发布说明	OpenBMB/VoxCPM
VoxCPM2 模型权重	Hugging Face / ModelScope
官方网站	voxcpm.com
模型文档	VoxCPM 2 / VoxCPM 1.5 / VoxCPM-0.5B
完整文档	VoxCPM ReadTheDocs
在线体验（国内）	VoxCPM Demo
在线体验（海外）	Hugging Face Spaces
技术报告	VoxCPM2 Technical Report
Demo Page 与音频示例	VoxCPM2 Demo Page
VoxCPM2 技术交流群	欢迎加入 VoxCPM2 官方技术交流群~