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~ |