VoxCPM2 是面壁智能（OpenBMB）开源的全新 2B 参数语音生成模型，采用免 Tokenizer 的端到端扩散自回归架构，基于 MiniCPM-4 骨干网络构建，支持 30 种语言、创意音色设计与可控声音克隆，可直接输出 48kHz 录音室级音频。

核心特性

• 免 Tokenizer 架构：无需离散 Token 化，端到端直接建模连续语音表征，合成自然且富有表现力
• 创意音色设计（Voice Design）：仅凭自然语言描述（性别、年龄、语气、情绪、语速等）即可从零创造全新音色，无需参考音频
• 可控声音克隆：基于 5-10s 参考音频克隆任意音色，可附加风格指令控制语速、情绪与表达；提供参考文本时启用极致克隆，完整还原音色、节奏与情感
• 多语言与方言：支持 30 种语言（含阿拉伯语、缅语、中英日韩等）及四川话、粤语、吴语等 9 种中文方言，无需语言标签即可跨语种合成
• 48kHz 高保真输出：AudioVAE V2 非对称编解码架构内置超分，直接输出 48kHz 录音室级音质，无需外部升采样器
• 低延迟流式合成：RTX 4090 上 RTF 低至约 0.3，Nano-vLLM 加速下约 0.13，支持实时流式生成
• 开源可商用：权重与代码遵循 Apache-2.0 协议完全开放，支持商业使用

适用场景

多语言有声内容创作、数字人与直播配音、影视/短视频配音、语音克隆定制、实时语音交互等。

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