面壁智能开源 2B 语音模型：30 种语言、9 种方言、音色设计、声音克隆全都有，AIGCPanel 上一键开跑
VoxCPM2 是面壁智能（OpenBMB）联合清华大学人机交互实验室开源的最新语音合成模型，20 亿参数，在超过 200 万小时的多语种音频上训练。它绕开了传统 TTS 的"音频分词"环节，直接生成连续语音表征，听起来很技术，但用起来只有三步：打字、选音色（或直接描述一个音色）、生成。以前想要一个专属声音，要么花钱请人录，要么在几百个预设音色里挑挑拣拣；现在，打一句话就够了。
![VoxCPM2 模型架构]()
一、30 种语言 + 9 种中文方言，一个模型说遍全世界
- 用户视角：输入日语、俄语、阿拉伯语，直接输出对应语言语音，不用手动加语言标签；四川话、粤语、东北话、河南话也能说。
- 技术视角：模型自动识别文本语言并切换发音，30 种语言覆盖欧洲、东南亚、中东主流语种。
- 证据：官方 README 明确列出全部支持语言与方言清单。
二、不用参考音频，用文字"凭空捏造"一个声音
- 用户视角：在文本前加一句"（年轻女性，声音温柔甜美）"，就能创造出一个世界上不存在于任何人的全新声音。
- 技术视角：音色设计能力，自然语言描述映射到连续音色空间，无需任何参考音频。
- 证据：官方 Python API 示例一行代码即可触发。
三、5-10 秒参考音频，克隆任何嗓音
- 用户视角：给一段干净清晰的声音，克隆音色；再附上参考文本，还能进入"极致克隆"模式，连语气、停顿、节奏都跟着还原。
- 技术视角：可控声音克隆（参考音频 + 可选风格指令）+ 音频续写式极致克隆，两种克隆方式并存。
- 证据：官方 clone / prompt-audio 命令行示例。
四、48kHz 高保真输出，开源免费商用
- 用户视角：拿到手的是 48kHz 高音质音频，NVIDIA RTX 4090 上可以实时合成（RTF ~0.3），显存占用约 8GB，一张消费级显卡就带得动。
- 技术视角：AudioVAE V2 非对称编解码 + 扩散自回归四阶段架构（LocEnc→TSLM→RALM→LocDiT），原生输出 48kHz。
- 证据：README 性能评测表与架构文档；Apache-2.0 协议，权重代码全部开源，免费商用。
一个开源模型，多语言、造音色、克隆声音全占了，还免费商用——这组合一年前想都不敢想。
五、怕配环境？AIGCPanel 一键运行包，下载即用
- 用户视角：不装 CUDA、不配 Python 环境、不敲命令行，下载 AIGCPanel 桌面软件，在模型市场找到 VoxCPM2，点下载，双击开跑，Windows / macOS / Linux 全平台都有。
- 技术视角：AIGCPanel 是开源的一站式 AI 数字人桌面应用，把大模型封装成"一键运行包"，自动管理依赖、显卡与启动流程，背后还提供 25+ 音视频工具箱、数字人合成与智能直播能力。
- 直连入口：VoxCPM2 模型一键运行包（免费）已上架模型市场，直达 👉 aigcpanel.com/zh/asset
- 顺带一提：模型市场里还有 IndexTTS2、Qwen3TTS、CosyVoice 3、GPT-SoVITS 等一堆语音模型，一个软件全都能玩。
![VoxCPM Logo]()
还能怎么玩
- 生产部署：官方 vLLM-Omni 原生支持 VoxCPM2，提供 OpenAI 兼容 API；Nano-vLLM 高吞吐推理，RTF 低至 ~0.13；llama.cpp-omni 支持端侧 GGUF 运行。
- 快速微调：5-10 分钟音频数据即可做 LoRA 微调，适配特定说话人或垂直领域。
- 家族迭代：VoxCPM-0.5B 拿过 HuggingFace Trending 第一，VoxCPM1.5 拿过 GitHub Trending 第一，如今迭代到 VoxCPM2，社区热度一直在线。
一点提醒
- 评测上 Seed-TTS-eval 英文 WER 低至 1.84%，中文 0.97%，内部 30 语种 ASR 平均错误率仅 1.68%，多语言表现属于第一梯队。
- 声音克隆请勿用于冒充他人或造假，生成内容记得标注来源。
想亲手试试"凭空造音色"吗？打开 AIGCPanel 模型市场，找到 VoxCPM2，五分钟内你就能听到一个世界上从未存在过的声音——如果让你来造，你会设计一个什么样的声音？欢迎在评论区晒出你的创意。最酷的不是模型能做什么，而是你用它，创造出了这个世界上第一个属于你的声音。
