VoxCPM 多语言高保真语音生成模型

介绍

VoxCPM 是由面壁智能联合 OpenBMB 与清华大学人机语音交互实验室共同开源的语音生成模型，基于端到端的语音生成架构，不需要外挂声码器即可直接输出 48kHz 高保真语音，在音质清晰度与自然度上表现出色，适合对听感要求较高的正式内容制作。

在能力设计上，VoxCPM 支持多语言文本到语音合成，并提供两项差异化能力：创意音色设计，可通过文字描述描述目标声音的特征（如年龄、性别、音色风格）直接"设计"出新音色，无需任何参考音频；可控声音复刻，在参考音频基础上可对音高、语速等属性进行调节，实现既像本人又符合创作需求的定制语音。此外还提供同系列 VoxCPM2 版本，支持 30 种语言，需要更高的显存配置。

VoxCPM 属于语音合成类模型，在 AIGCPanel 模型市场提供免费的一键运行包，下载解压后即可在本地环境中运行。

主要功能

• 文本到语音合成：将输入文字转换为 48kHz 高保真、自然流畅的语音输出。
• 多语言支持：覆盖多种语言的文本合成，满足跨语种内容创作需求。
• 创意音色设计：通过文字描述直接生成目标音色，无需参考音频即可"凭空"设计声音。
• 可控声音复刻：上传参考音频复刻音色，并可对音色细节与表达效果进行控制调节。
• 高保真输出：端到端生成 48kHz 高采样率音频，细节丰富、听感清晰。
• 本地一键运行：打包环境随 AIGCPanel 模型市场分发，解压即可使用。

特点

• 音质高保真：48kHz 输出在清晰度与自然度上达到成品内容可用水平。
• 音色获取方式灵活：文字描述设计音色与参考音频复刻音色两条路径并行。
• 端到端生成：不依赖外挂声码器，减少音质损失与流程复杂度。
• 团队背景强：由面壁智能、OpenBMB 与清华大学人机语音交互实验室联合开源，技术积累扎实。
• 免费开源：模型免费使用，开源社区持续迭代，后续版本可平滑升级。

应用场景

• 有声读物与播客：生成高保真朗读语音，长时间收听不显生硬。
• 广告与品牌配音：通过创意音色设计打造专属品牌声音，无需签约配音演员。
• 多语种内容本地化：将文案转换为多语言语音，服务出海与翻译内容。
• 数字人与虚拟助手：为数字人、语音助手提供自然清晰的语音输出。
• 个性化定制语音：基于参考音频复刻并微调，得到符合角色设定的定制声音。

在 AIGCPanel 中的使用

1. 前往 AIGCPanel 官方模型页面：VoxCPM 模型市场，下载对应平台的一键运行包。
2. 将下载的压缩包解压到纯英文路径下（避免中文路径导致环境加载失败）。
3. 打开 AIGCPanel，在「AI模型」页面选择「添加本地模型」，指向解压后的模型目录并完成加载。
4. 启动模型后，在「声音合成」等功能模块中选择 VoxCPM，输入文字并设置或复刻音色，生成合成语音。

硬件要求

开源信息

VoxCPM 由面壁智能联合 OpenBMB 与清华大学人机语音交互实验室开源，可在 AIGCPanel 模型市场直接下载一键运行包使用；支持 30 种语言的升级版 VoxCPM2 需要 GPU 12G 及以上。