VoxCPM2

VoxCPM2

用 30 种语言和九种中文方言朗读文字，输出 48 kHz，可根据文字描述设计新声音，也能从一小段音频克隆声音。这是面向开发者的开放 2.3B 文字转语音模型。

由 openbmb 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：VoxCPM2 是 openbmb 推出的开放文字转语音模型，不需要分词器，采用扩散自回归设计。Hugging Face 的记录写的是 2.3B 参数，卡片把它取整为 2B。它支持 30 种语言外加九种中文方言，输出 48 kHz 音频，训练用了超过 200 万小时的语音。除了普通朗读，它还能根据文字描述创造一个声音，也能从一小段样本复制一个声音。

适合谁：需要多语言语音、定制声音或声音克隆，并且有 NVIDIA GPU 来运行它的开发者和创作者。

Industry | Who uses it | How they use it | Example
媒体与视频 | 创作者 | 用多种语言朗读脚本 | 一部短片的西班牙语旁白
游戏与动画 | 工作室 | 根据描述设计角色声音 | 给向导角色配一个温柔的年轻声音
客户服务 | 语音智能体构建者 | 以低延迟流式输出语音回复 | 一个用法语回答的电话机器人
无障碍 | 工具制作者 | 用听者的语言朗读文字 | 新闻应用里的印地语朗读器

如果你没有 NVIDIA GPU，可以跳过它，因为卡片把 CUDA 12 或更高版本列为要求。

用在哪里：

• Python，通过 voxcpm 软件包
• 卡片指向的在线演示和文档
• 卡片提到的更快的服务方式 Nano-VLLM，用于流式输出

Use case | Who | What they get back
普通朗读 | 开发者 | 你的文字对应的 48 kHz 音频文件
声音设计 | 创作者 | 根据文字描述得到的新声音，不需要样本
声音克隆 | 制作人 | 用你提供的音频里那个声音说出的语音，可附带风格提示

如何设置：

• Python 3.10 或更高版本
• PyTorch 2.5.0 或更高版本
• NVIDIA GPU 上的 CUDA 12.0 或更高版本
• BF16 约需 4.6 GB 磁盘空间，4-bit 约 1.1 GB（估算值）

1. 安装 voxcpm 软件包。
2. 下载模型文件，或让软件包在首次加载时自动取回。
3. 在 Python 里加载模型，让它开口说话。

pip install voxcpm
hf download openbmb/VoxCPM2

如何使用：在 Python 里加载模型，用你的文字调用它的 generate 方法，再把音频存成文件。做声音设计时，把一小段声音描述放在括号里，写在要朗读的话前面。做克隆时，传入说话人的参考音频。想要最接近的复制，还要传入这段音频的准确文字稿。流式方法会在生成的同时分块返回音频。

示例：你写一句话，开头加上对一位声音温柔甜美的年轻女性的描述。模型用符合这个描述的声音朗读这句话，并存成 48 kHz 的文件，不需要任何参考音频。

新手与专家：如果你是新手，先从普通朗读开始，再试声音设计，它不需要样本。只克隆属于你自己或你有权使用的声音。

它接受 16 kHz 的参考音频，并在自己的音频编解码器里把输出提升到 48 kHz，所以不需要单独的升采样器。卡片给出的实时因子在 RTX 4090 上约为 0.3，配合 Nano-VLLM 约为 0.13。

你写下文字，可附带声音说明
你加入参考音频来克隆声音
模型生成语音
你保存或流式获取 48 kHz 音频

注意事项：

• 语言：30 种语言，文字里不需要语言标签
• 声音克隆：只使用你有权使用的声音
• 变体：Hugging Face 的记录列出了别人做的 22 个量化版本和 50 个微调版本

Title: 实时因子，越低越快
Plain run on an RTX 4090: 0.3 RTF
With Nano-VLLM: 0.13 RTF

• License: apache-2.0，按卡片所说可免费商用
• Cost to run: 没有提到 API 密钥或付费服务，但你需要自己的 NVIDIA GPU
• Data it reaches: 下载会取回模型文件，模型会读取你的文字和你给它的任何参考音频
• Not for: 在没有使用权的情况下克隆别人的声音

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：voxcpm
• 参数量：2.3B
• Weights: about 4.6 GB in BF16; about 1.1 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：984,860
• 点赞：1,783
• 许可证：apache-2.0
• 语言：zh, en, ar, my, da, nl, fi, fr
• Quantized versions: 22
• Fine-tunes: 52
• 标签：voxcpm, safetensors, text-to-speech, multilingual, voice-cloning, voice-design, diffusion, audio

链接

• 模型：https://huggingface.co/openbmb/VoxCPM2
• 文件：https://huggingface.co/openbmb/VoxCPM2/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download openbmb/VoxCPM2

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。