VoxCPM：统一完成多语言语音生成、声音设计与声音克隆
一分钟看懂
VoxCPM 是 OpenBMB 推出的无分词文本转语音模型，面向多语言语音生成、自然语言声音设计和零样本声音克隆。它直接对连续语音表示建模，适合需要更自然韵律和跨语言能力的语音应用。
你可以用它做什么
- 根据文本合成多语言语音。
- 用自然语言描述期望的音色、情绪或表达方式并生成声音。
- 使用参考音频进行零样本声音克隆。
- 在自有语音数据上进行全量微调或 LoRA 微调。
主要能力
- VoxCPM2 支持约 30 种语言。
- 同一模型覆盖文本转语音、声音设计与声音克隆。
- 提供 Python 推理接口、示例和训练说明。
- 官方模型权重可从 Hugging Face 获取。
适合哪些人
适合语音产品开发者、多语言内容团队、语音研究人员，以及需要在本地或自有环境中验证定制语音方案的团队。
怎么开始使用
先按官方文档准备 Python 与深度学习运行环境，再安装项目依赖并下载 VoxCPM2 权重。建议先运行官方推理示例验证显存与生成效果；需要定制音色时，再按照训练文档准备获得授权的干净语音数据。官方对 VoxCPM2 的参考显存需求约为 8GB，实际占用会随配置变化。
使用前需要知道
代码采用 Apache-2.0 许可证，但模型权重与所用数据可能有单独条款，部署前应分别核对。声音克隆必须取得声音主体授权，并建立显著标识、访问控制和滥用处置机制，避免冒充、欺诈或未经同意的合成。