VoxCPM-0.5B

VoxCPM 语音系列

VoxCPM-0.5B 是 VoxCPM 初代公开模型，支持中文与英文文本转语音、提示音频续写式声音克隆及流式生成，输出 16kHz 音频。它保留初代模型的使用与微调路径，适合复现历史基线、维护既有工程，或开展中英语音生成验证。

获取 VoxCPM-0.5B 的模型权重与运行代码。请使用本版本的权重和配置，下载前查看模型页中的许可与使用说明。

VoxCPM-0.5B 对应 VoxCPM 1.0 的初代公开 checkpoint，是无离散音频分词器 VoxCPM 架构的历史基线。它面向中文、英文文本转语音与提示音频续写式声音克隆，输出 16kHz 音频。

模型下载

模型	Hugging Face	ModelScope	许可证
VoxCPM-0.5B	openbmb/VoxCPM-0.5B	OpenBMB/VoxCPM-0.5B	Apache-2.0

版本信息

项目	官方说明
参数量	640M
支持语言	中文、英文
输出采样率	16kHz
LM token 速率	12.5Hz
最大序列长度	4096 tokens
克隆方式	提示音频续写：需要提示音频及其准确文本转写。
微调	支持 SFT 与 LoRA。
RTX 4090 RTF	官方版本历史参考值约 0.17；实际值须在目标机器上测量。

何时使用

需求	建议
复现初代模型行为或与早期基线对比	使用 VoxCPM-0.5B。
维护依赖初代 checkpoint 的既有工程	保持当前版本，并将模型、Python 包和配置文件固定在可复现版本。
追求更高采样率的中英输出	迁移评估 VoxCPM1.5。
需要多语言、声音设计或可控声音克隆	使用 VoxCPM2。

使用边界

VoxCPM-0.5B 不支持 VoxCPM2 的 Voice Design、Style Control 或隔离参考音频克隆。其克隆接口使用 prompt_wav_path 和 prompt_text；音频与转写不一致、过长或含强噪声时，输出稳定性与相似度会下降。

快速上手

显式加载 VoxCPM-0.5B，完成中英文本转语音、声音克隆与流式输出的首次验证。先确认生成音频可播放且采样率正确，再按指南检查参考音频与转写的一致性。

安装

Bash

pip install voxcpm soundfile

基础文本转语音

Python

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
    "openbmb/VoxCPM-0.5B",
    load_denoiser=False,
)

wav = model.generate(
    text="VoxCPM-0.5B 是初代中英语音生成模型。",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("voxcpm05.wav", wav, model.tts_model.sample_rate)

VoxCPM-0.5B 输出 16kHz 音频。播放文件并检查文本可懂度、停顿、音量和异常噪声。

声音克隆

Python

wav = model.generate(
    text="这是使用 VoxCPM-0.5B 生成的克隆语音。",
    prompt_wav_path="speaker.wav",
    prompt_text="提示音频中实际说出的完整文本。",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("voxcpm05_clone.wav", wav, model.tts_model.sample_rate)

提示音频与提示文本必须成对提供。文本不准确、多人说话、强噪声或长片段都会降低续写克隆的稳定性。

流式输出

Python

import numpy as np

chunks = []
for chunk in model.generate_streaming(
    text="这是 VoxCPM-0.5B 的流式输出。",
):
    chunks.append(chunk)

wav = np.concatenate(chunks)
sf.write("voxcpm05_stream.wav", wav, model.tts_model.sample_rate)

命令行

Bash

# 基础合成
voxcpm design   --hf-model-id openbmb/VoxCPM-0.5B   --text "Hello from VoxCPM."   --output voxcpm05.wav

# 提示音频续写式克隆
voxcpm clone   --hf-model-id openbmb/VoxCPM-0.5B   --text "这是目标文本。"   --prompt-audio speaker.wav   --prompt-text "提示音频中实际说出的完整文本。"   --output voxcpm05_clone.wav

当前 CLI 默认使用 VoxCPM2，必须显式传入 --hf-model-id openbmb/VoxCPM-0.5B。子命令名 design 对 VoxCPM-0.5B 仅表示无参考基础生成。

常见问题

问题	处理
误用了 reference_wav_path	改用 prompt_wav_path 和 prompt_text。
输出采样率不符	确认模型 ID，并通过 model.tts_model.sample_rate 保存。
非中英语言质量低	官方只支持中文和英文；多语言任务改用 VoxCPM2。
希望控制年龄、情绪或语速	VoxCPM-0.5B 没有 Voice Design / Style Control；需要这些能力应使用 VoxCPM2。
克隆不像	换用更清晰的单人参考，逐字校对提示文本，并固定 seed 对比。

相关资源

主题	入口
部署	VoxCPM-0.5B 部署指南
微调	VoxCPM-0.5B 微调指南
技术报告	知识库内嵌技术报告 / arXiv 原文
代码仓库	OpenBMB/VoxCPM