VoxCPM2 在线

VoxCPM2 是面壁智能（OpenBMB）开源的多语言、可控语音生成大模型，基于 MiniCPM-4，参数规模约 20 亿（2B）。给定一段参考音频即可零样本克隆音色，并用该音色朗读任意文字，无需针对说话人单独训练。

VoxCPM2 在超过 200 万小时多语种语音上训练（官方文档约 236 万小时），支持 30 种语言与 9 种中文方言，采用 tokenizer-free（无分词器）架构，直接建模连续语音表征，输出 48kHz 高保真音频。除声音克隆外，还支持 Voice Design（用自然语言描述生成音色）与 Style Control（控制情绪、语速、风格）。

在 Seed-TTS-Eval 零样本克隆评测中，VoxCPM2 英文 WER 低至 1.84%、中文 CER 0.97%，说话人相似度（SIM）中文 79.5%；主观评测自然度 N-MOS 4.78/5、相似度 S-MOS 4.74/5。相比早期 VoxCPM（约 0.6B）与 VoxCPM1.5（约 0.8B），VoxCPM2 在规模、语言覆盖与可控性上均有提升。

本地运行 VoxCPM2 需要 NVIDIA 显卡与 Python 环境；VoxCPM2在线提供免部署方案——打开浏览器即可使用同款模型能力。

以上数据来自 VoxCPM 官方 GitHub 与技术报告，核对于 2026-08-05。本站为第三方平台，与模型开发团队无关联。