今天在 GitHub Trending 上看到一个有意思的项目：VoxCPM2，这是 OpenBMB 团队发布的无分词器（Tokenizer-Free）TTS 系统，支持 30 种语言语音生成、声音设计（Voice Design）与可控语音克隆，输出质量达到 48kHz studio 级别。

一、项目概述

VoxCPM2 是由 OpenBMB 与 THUHCSI 联合研发的新一代文本转语音（TTS）系统，其核心创新在于完全摒弃了传统 TTS 流程中的离散 tokenizer 环节，通过端到端扩散自回归架构直接在连续语音表示空间中进行生成，从而实现更自然、更具表现力的语音合成。

核心特性一览：

• 🌍 30 种语言多语言支持 — 无需语言标签，直接输入任意支持语言的文本即可合成
• 🎨 声音设计（Voice Design） — 仅通过自然语言描述（性别、年龄、语调、情绪、语速等）创造全新声音，无需参考音频
• 🎛️ 可控语音克隆（Controllable Voice Cloning） — 基于短参考音频克隆音色，同时可通过控制指令调节情绪、语速与表达方式
• 🎙️ 极致克隆（Ultimate Cloning） — 同时提供参考音频与其文本转录，模型以音频续写方式完整还原音色、节奏、情感等全部声音细节
• 🔊 48kHz 高保真输出 — 通过 AudioVAE V2 的非对称编解码设计，接受 16kHz 参考音频直接输出 48kHz studio 级音频，内置超分辨率，无需外部上采样器
• 🧠 上下文感知合成 — 根据文本内容自动推断合适的韵律与表现力
• ⚡ 实时流式合成 — 在 NVIDIA RTX 4090 上 RTF 低至约 0.3，通过 Nano-vLLM 或 vLLM-Omni 加速可达约 0.13
• 📜 完全开源、商业可用 — 代码与权重均以 Apache-2.0 许可证发布，可免费用于商业场景

VoxCPM2 是 VoxCPM 系列的最新重大版本，模型参数量达 2B，训练数据超过 200 万小时多语言语音，基于 MiniCPM-4 骨干网络构建。

二、技术原理

VoxCPM2 采用**无分词器（Tokenizer-Free）、扩散自回归（Diffusion Autoregressive）**范式，整个模型在 AudioVAE V2 的潜空间内运行，遵循四阶段流水线：LocEnc → TSLM → RALM → LocDiT，实现丰富的表现力与 48kHz 原生音频输出。

# 模型架构核心流水线（概念性示意）
# 输入文本 → LocEnc（局部编码器）
#        ↓
#        TSLM（时序语言模型）
#        ↓
#        RALM（检索增强语言模型）
#        ↓
#        LocDiT（局部扩散 Transformer / Flow Matching 解码器）
#        ↓
#        48kHz 音频输出（通过 AudioVAE V2 解码）

与主流 TTS 模型对比：

核心技术组件：

1. AudioVAE V2 — 非对称编解码设计，16kHz 输入 → 48kHz 输出，内置超分辨率
2. Diffusion Autoregressive (DiTAR) — 扩散自回归骨干，替代传统离散 token 建模
3. MiniCPM-4 语言模型 — 提供强大的文本理解与上下文建模能力
4. Flow Matching（LocDiT） — 基于 CosyVoice 的 Flow Matching 实现，实现高质量音频解码

三、安装与快速开始

环境要求

• Python ≥ 3.10（不支持 3.13）
• PyTorch ≥ 2.5.0
• CUDA ≥ 12.0
• 推荐：NVIDIA RTX 4090 或同级别 GPU（VRAM ≥ 8GB）

安装

若需从 ModelScope 下载模型（国内推荐）：

from modelscope import snapshot_download
snapshot_download("OpenBMB/VoxCPM2", local_dir='./pretrained_models/VoxCPM2')

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained("./pretrained_models/VoxCPM2", load_denoiser=False)
wav = model.generate(
    text="VoxCPM2 是当前多语言语音合成推荐的发布版本。",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)

最简运行示例

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)

# 基础 TTS
wav = model.generate(
    text="VoxCPM2 is the current recommended release for realistic multilingual speech synthesis.",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)

四、使用方法与实战

🎨 声音设计（Voice Design）

无需参考音频，仅通过自然语言描述创造声音：

wav = model.generate(
    text="(A young woman, gentle and sweet voice)Hello, welcome to VoxCPM2!",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("voice_design.wav", wav, model.tts_model.sample_rate)

格式说明： 在 text 开头以括号包裹声音描述，如 "(年轻女性，温柔甜美声音)今天天气真好。"

🎛️ 可控语音克隆（Controllable Voice Cloning）

上传参考音频克隆音色，同时通过控制指令调节风格：

wav = model.generate(
    text="This is a cloned voice generated by VoxCPM2.",
    reference_wav_path="path/to/voice.wav",
)
sf.write("clone.wav", wav, model.tts_model.sample_rate)

# 带风格控制
wav = model.generate(
    text="(slightly faster, cheerful tone)This is a cloned voice with style control.",
    reference_wav_path="path/to/voice.wav",
    cfg_value=2.0,
    inference_timesteps=10,
)
sf.write("controllable_clone.wav", wav, model.tts_model.sample_rate)

🎙️ 极致克隆（Ultimate Cloning）

提供参考音频与其精确文本转录，以音频续写方式完整还原声音细节：

wav = model.generate(
    text="This is an ultimate cloning demonstration using VoxCPM2.",
    prompt_wav_path="path/to/voice.wav",
    prompt_text="The transcript of the reference audio.",
    reference_wav_path="path/to/voice.wav",  # 可选，提高相似度
)
sf.write("hifi_clone.wav", wav, model.tts_model.sample_rate)

⚡ 流式合成（Streaming API）

import numpy as np

chunks = []
for chunk in model.generate_streaming(
    text="Streaming text to speech is easy with VoxCPM!",
):
    chunks.append(chunk)
wav = np.concatenate(chunks)
sf.write("streaming.wav", wav, model.tts_model.sample_rate)

🚢 生产级部署（Nano-vLLM / vLLM-Omni）

对于高吞吐场景，官方推荐使用专用推理引擎：

pip install nano-vllm-voxcpm

from nanovllm_voxcpm import VoxCPM
import numpy as np, soundfile as sf

server = VoxCPM.from_pretrained(model="/path/to/VoxCPM", devices=[0])
chunks = list(server.generate(target_text="Hello from VoxCPM!"))
sf.write("out.wav", np.concatenate(chunks), 48000)
server.stop()

性能数据： RTX 4090 上 RTF 低至约 0.13（Nano-vLLM），支持并发请求与 OpenAI 兼容 API。

五、常见问题与解决方案

安装失败

问题： pip install voxcpm 失败，提示 PyTorch/CUDA 版本不兼容。

解决方案：

• 确认 Python 版本在 3.10–3.12 范围内
• 确认 PyTorch ≥ 2.5.0 且 CUDA ≥ 12.0
• 建议使用 Conda 创建独立环境：

  conda create -n voxcpm python=3.11
  conda activate voxcpm
  pip install voxcpm
  

中文方言生成效果不佳

问题： 生成粤语、四川话等方言时效果不理想。

解决方案：

• 在 text 中直接使用方言词汇和句式，而非普通话书面语
• 在控制指令（括号内容）中描述方言特征，如 "(粤语，中年男性，语气平淡)"
• 可借助 AI 助手将普通话翻译为方言文本后再传入

可控生成稳定性问题

问题： 声音设计或可控克隆结果每次运行差异较大。

解决方案：

• 尝试生成 1~3 次，选取最符合预期的结果
• 适当调节 cfg_value（推荐 1.5–2.5 范围）
• 描述尽量具体，如 "(年轻女性，温柔甜美，略带忧伤)" 比 "(甜美)" 更稳定
• 团队正在持续改进可控性一致性

GPU 显存不足

问题： 加载模型时报 CUDA out of memory。

解决方案：

• VoxCPM2 推荐 ≥ 8GB VRAM（RTX 4090 可流畅运行）
• 若显存不足，可尝试 VoxCPM-0.5B（约 5GB VRAM）或 VoxCPM1.5（约 6GB VRAM）
• 使用 CPU 推理（速度极慢，仅用于测试）

Git LFS 下载模型慢

问题： 从 HuggingFace 下载模型速度慢。

解决方案：

• 使用 ModelScope 镜像（国内）：pip install modelscope 后通过 snapshot_download 下载
• 配置 HuggingFace 镜像：export HF_ENDPOINT=https://hf-mirror.com

六、总结

VoxCPM2 在多语言 TTS 领域树立了新的开源标杆：30 种语言支持、Voice Design 创新范式、48kHz 高保真输出，以及完整的开源与商业可用性。其无分词器架构带来了更自然的语音表现力，而基于 MiniCPM-4 的骨干设计则保证了强大的文本理解能力。

适用场景：

• 多语言内容创作（播客、有声书、视频配音）
• 虚拟数字人 / 智能客服语音生成
• 语音克隆与个性化 TTS 应用
• TTS 相关研究与原型验证

项目完全开源（Apache-2.0），模型权重可在 HuggingFace 或 ModelScope 获取，文档齐全，生态完善（支持 ComfyUI、vLLM-Omni、ONNX 导出等）。如果你想快速体验，也可以直接访问 在线 Demo 上手试用。

**项目地址：<ADDRESS_REMOVED> 文档： https://voxcpm.readthedocs.io