VoxCPM 是由面壁智能联合 OpenBMB 开源社区与清华大学人机语音交互实验室共同开发并开源的一款语音生成模型，采用免 Tokenizer 的端到端扩散自回归架构，直接生成连续的语音表征，合成效果高度自然且富有表现力。

核心特性

• 免 Tokenizer 架构：无需离散 Token 化，直接建模连续语音表征，减少信息损失，合成更自然
• 语音合成 + 克隆：支持常规文本合成与零样本语音克隆，克隆相似度高
• 多语言支持：覆盖中文、英文、日文、韩文等 30 种语言及多种中文方言（VoxCPM2 起）
• 语音设计能力：通过自然语言描述即可创造全新音色（VoxCPM2 Voice Design），无需参考音频
• 高品质输出：VoxCPM2 可输出 48kHz 录音室级音质，支持实时流式生成（RTF 低至约 0.3）
• 开源可商用：Apache-2.0 协议，权重与代码完全开放，支持商业使用

适用场景

多语言语音内容出海、数字人语音、有声书与播客、实时语音交互、个性化音色创作等。

更多信息可参考：https://github.com/OpenBMB/VoxCPM