VoxCPM2 由面壁智能 OpenBMB + 清华大学深圳国际研究生院人机语音交互实验室联合发布，是 VoxCPM 系列第二代开源语音合成大模型，2026 年 4 月正式推出，基于 MiniCPM-4 大模型基座打造，20 亿（2B）参数，采用Apache 2.0 开源协议，完全允许商用。

核心基础参数

训练数据集：超 200 万小时全球多语种音频
语言覆盖：30 门主流语言 + 9 种中文方言（粤语、四川话、沪语等）
原生输出音质：48kHz 录音室级高清音频
本地部署最低显存：BF16 精度仅需约 8GB 显存，消费级 RTX4090 即可流畅运行

二、最核心创新：无分词器（Tokenizer-Free）架构

传统 TTS 痛点

常规语音合成必须先用离散音频分词器把连续音频切分成固定编号 Token，再由模型生成 Token、最后还原音频；这个离散编码过程会丢失音色细节、韵律信息，生成语音普遍带明显机械电子感、语气生硬。

VoxCPM2 技术方案

采用端到端分层扩散自回归架构，彻底舍弃音频离散分词步骤，直接在连续语音特征空间建模生成语音信号：

完整链路：局部编码器 LocEnc → 时序语言模型 TSLM → 对齐建模 RALM → 扩散解码器 LocDiT

搭配自研AudioVAE V2 非对称编解码器：输入支持 16kHz 参考音频，内置超分算法直接输出 48kHz 音频，无需额外升采样工具，音质损耗极小arXiv。

简单理解：不再把声音 “拆成碎片再拼接”，而是直接生成完整连续声波，天然更自然、细节更饱满。

三、三大核心能力（对应你提到的三大功能）

1. 多语言语音生成

零语言标签：直接粘贴任意支持语种文本即可合成，不用手动指定语种；
跨语种无缝合成：同一声线可直接切换中英日韩法德等 30 种语言朗读，音色不会断裂跳变；
方言原生支持：普通话、粤语、闽南语、四川话、吴语等 9 类中文方言一键生成，适配本土短视频、本地化配音场景。

2. 创意语音设计（Voice Design，凭空造音色）

行业突破性功能：完全不需要参考音频，只用一段自然语言文字描述，就能从零生成全新专属声线。

示例提示词：

22 岁少女，清冷御姐音，语速偏慢，带轻微慵懒气声，适合小说旁白

中年男性浑厚烟嗓，稳重严肃，新闻播报风格

可自由定义：性别、年龄、音调高低、情绪（开心 / 悲伤 / 愤怒）、语速、口音、气质风格，批量批量生成短剧角色、播客、有声书专属全新音色，解决传统 TTS 音色库有限的问题。

3. 真实可控语音克隆（分两档精度）

① 基础可控克隆

上传10~30 秒短参考人声片段锁定基础音色，同时可以指令修改情绪、语速、停顿节奏，保留原说话人核心声纹不变，灵活调整表达风格，适合短视频批量配音、角色台词续写。

② 极致高保真延续克隆

同时上传参考音频 + 该音频对应的原文转录文本，模型会深度学习说话人断句习惯、语气细节、口癖，续写长文本时高度复刻原版人声，相似度极高，适合人物独白、长篇有声书、角色台词连贯配音。

四、工程部署与推理优势

流式实时生成 搭配 Nano-vLLM、vLLM-Omni 加速后，RTX4090 显卡下 RTF（实时生成系数）最低可达0.13，也就是 1 秒可生成 7 秒以上语音，支持直播间实时播报、AI 对话语音输出等低延迟场景voxcpm.rea…。
多端部署生态完善 支持 Python 原生调用、ONNX 轻量化、CPU 纯离线推理、Apple 设备 NPU 优化、Rust 绑定、ComfyUI 可视化集成，可嵌入小程序、APP、网页后端、本地工具。
上下文理解 能自动阅读理解整段文本语义，自主添加合理停顿、重音，长文本不会出现断句错乱，大幅减少后期剪辑工作量。