VoxCPM1.5

VoxCPM 语音系列

VoxCPM1.5 面向中文与英文语音生成，提供 44.1kHz 音频输出、提示音频续写式声音克隆与流式生成。作为 1.x 系列的升级版本，它保留原有使用路径，并支持 LoRA 与全参数微调，适合延续已有中英语音项目、定制说话人音色或评估更高采样率的输出。

获取 VoxCPM1.5 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。

VoxCPM1.5 是 1.x 系列最后一次升级，面向中文、英文文本转语音和提示音频续写式零样本声音克隆。它保持 1.x 的使用路径，同时将输出采样率提升至 44.1kHz，并将 LM token 速率从 12.5Hz 降至 6.25Hz。

模型下载

模型	Hugging Face	ModelScope	许可证
VoxCPM1.5	openbmb/VoxCPM1.5	OpenBMB/VoxCPM1.5	Apache-2.0

版本信息

项目	官方说明
参数量	800M
支持语言	中文、英文
输出采样率	44.1kHz
LM token 速率	6.25Hz
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 0.15；实际值取决于文本、参数与运行环境。

何时使用

需求	建议
已有 VoxCPM 1.x 推理或训练资产	优先使用 VoxCPM1.5 保持架构与接口路径连续。
中英双语且希望使用 44.1kHz 输出	VoxCPM1.5 是 1.x 中更合适的版本。
多语言、音色设计、隔离参考克隆或 Style Control	直接选择 VoxCPM2；这些不是 VoxCPM1.5 的功能。

使用边界

VoxCPM1.5 没有 VoxCPM2 的 reference_wav_path 隔离参考通道，也不支持 Voice Design 或 Style Control。克隆时应使用 prompt_wav_path 和 prompt_text 成对输入；参考文本与音频不一致会直接影响续写克隆效果。

快速上手

安装依赖并显式加载 VoxCPM1.5，先生成一段中英语音，再体验提示音频续写式克隆和流式输出。示例覆盖 Python 与命令行，并说明如何校验音频采样率与参考文本。

安装

Bash

pip install voxcpm soundfile

当前 voxcpm 包默认模型是 VoxCPM2。使用 VoxCPM1.5 时，无论 Python 还是 CLI 都应显式指定 openbmb/VoxCPM1.5。

基础文本转语音

Python

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
    "openbmb/VoxCPM1.5",
    load_denoiser=False,
)

wav = model.generate(
    text="VoxCPM1.5 支持中文和英文语音合成。",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("voxcpm15.wav", wav, model.tts_model.sample_rate)

VoxCPM1.5 输出采样率为 44.1kHz。使用模型对象中的 sample_rate 写文件，避免手工写错采样率。

声音克隆

VoxCPM1.5 通过提示音频续写实现克隆。prompt_wav_path 与 prompt_text 必须成对提供，且转写应与音频逐字一致。

Python

wav = model.generate(
    text="这是使用 VoxCPM1.5 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("voxcpm15_clone.wav", wav, model.tts_model.sample_rate)

流式输出

Python

import numpy as np

chunks = []
for chunk in model.generate_streaming(
    text="这是 VoxCPM1.5 的流式输出。",
):
    chunks.append(chunk)

wav = np.concatenate(chunks)
sf.write("voxcpm15_stream.wav", wav, model.tts_model.sample_rate)

命令行

Bash

# 基础合成
voxcpm design   --hf-model-id openbmb/VoxCPM1.5   --text "VoxCPM1.5 supports Chinese and English."   --output voxcpm15.wav

# 提示音频续写式克隆
voxcpm clone   --hf-model-id openbmb/VoxCPM1.5   --text "这是克隆后的目标文本。"   --prompt-audio speaker.wav   --prompt-text "提示音频中实际说出的完整文本。"   --output voxcpm15_clone.wav

CLI 子命令名 design 在此只作为基础合成入口，不表示 VoxCPM1.5 具备 VoxCPM2 的音色设计能力。不要给 VoxCPM1.5 使用 --reference-audio；当前 CLI 会拒绝该组合。

参数调节

参数	作用	排查方向
cfg_value	控制文本与扩散生成之间的引导强度	声音紧张或失真时降低；短句不清晰时可小幅提高。
inference_timesteps	控制扩散求解步数	增加会提高计算量；先用默认 10 做基线。
normalize	启用外部文本规范化	数字、缩写处理异常时对比开关结果。
denoise	参考音频增强	模型卡提示可能产生失真并将采样率限制到 16kHz；高保真克隆应对比关闭结果。

常见问题

问题	处理
误用了 reference_wav_path	改用 prompt_wav_path 与 prompt_text。
克隆相似度低	保证单人、低噪声、提示文本逐字一致；分别对比是否启用降噪。
输出不是 44.1kHz	确认加载的是 VoxCPM1.5，并使用 model.tts_model.sample_rate 保存。
其他语言效果不稳定	VoxCPM1.5 仅官方支持中文和英文；其他语言不在保证范围内。

相关资源

主题	入口
部署	VoxCPM1.5 部署指南
微调	VoxCPM1.5 微调指南
技术报告	VoxCPM Technical Report
代码仓库	OpenBMB/VoxCPM