VoxCPM 2：清华大学开源语音合成模型霸榜 GitHub，3 秒克隆你的声音

清华大学 OpenBMB 团队发布 VoxCPM 2——20 亿参数的无 Tokenizer 语音合成模型，30 种语言 + 9 种中文方言，3 秒录音即可克隆，48 kHz 录音室音质。GitHub Trending #1，20 K+ Star。最关键的是：Apache 2.0 许可，完全免费商用。

OpenBMB（清华大学计算机系知识工程实验室）上周发布的 VoxCPM 2，做到了几件事：不需要参考音频就能生成目标声音（零样本语音设计），用 3 秒录音就能高保真克隆任何人的声音（小样本克隆），输出 48 kHz 录音室级音质，覆盖 30 种语言和 9 种中文方言。

技术架构：为什么「无 Tokenizer」是关键

传统语音合成模型的流程是：文本 → Tokenizer（将语音信号离散化）→ 自回归生成 → 声码器输出。这个流程有两个结构性弱点：Tokenizer 是信息瓶颈——将连续语音信号压成离散 token 必然丢失音色、情感、韵律等细节；级联错误——Tokenizer 错一个 token，后面全部跟着错。

VoxCPM 2 去掉了 Tokenizer 这一层，采用连续潜空间扩散自回归架构——直接在连续的语音表征空间上建模和生成，没有离散化的信息损失。20 亿参数，200 万小时多语言语音数据训练。

最大的差异化能力是「零样本语音设计」——你不需要任何参考音频，只用文字描述想要的音色（如「沉稳的中年男声，略带沙哑」），模型就能生成对应的声音。

实际场景

播客/有声书：一键生成多角色对话，每个角色用不同音色。游戏 NPC 配音：本地部署 + 低延迟 + 多语言。AI Agent 语音交互：自托管 TTS 后端，配合任何 LLM 构建完全自主的语音交互 Agent。辅助功能：视障用户屏幕阅读器、语言学习 App。

风险：语音克隆的安全问题

3 秒录音就能克隆任何人的声音——这个能力是双刃剑。OpenBMB 没有在模型中内置水印或使用限制机制。我们不建议也不鼓励任何人将 VoxCPM 2 用于冒充他人、欺诈或其他违法用途。

FAQ

Q: 和 Fish Speech、Coqui TTS 比怎么样？

Fish Speech 专注中文，Coqui 已停止维护。VoxCPM 2 在音质（48 kHz）、多语言、零样本生成三个维度全面领先。目前唯一短板是推理速度——扩散模型的多步去噪比自回归慢。

Q: 真的完全免费商用？

Apache 2.0 许可，是的。但用它生成的语音如侵犯他人肖像权，法律风险由你承担。

Q: 国内能用吗？

可以。权重可在 Hugging Face 和 ModelScope（魔搭社区）下载。

参考来源：

• OpenBMB/VoxCPM GitHub

相关阅读

• Fable 5 系统提示词泄露：12 万字符曝光了什么
• Sakana Fugu：「一个模型指挥它们全部」，而且不受出口管制
• 1/6 价格追平 GPT-5.5：Kimi K 2.7 Code 让国产编码模型不再是个笑话