找一个免费、开源、支持方言和多语种的语音合成模型并不容易。市面上的闭源平台按字符收费，开源方案又往往在音质和表现力上打折扣。

VoxCPM 2 是面壁智能联合OpenBMB开源社区、清华大学人机语音交互实验室推出的2B参数语音模型。它走了一条不同于主流Token-based方案的路线，采用扩散自回归连续表征技术，在保留声音的声学细节和情感特征上做得更好。

最重要的是，它完全开源免费，支持商用。

VoxCPM 2 是什么

用一个类比来理解：如果说传统的语音合成方案是先把油画拍成马赛克照片再试图还原，那VoxCPM 2是在连续的颜色空间里直接作画，跳过了"马赛克"这一步。这使得它在地道方言、声音克隆和情绪表达上的效果明显更好。

核心功能

语言与方言覆盖

• 30种全球主流语言，特别强化了东南亚八国语言（泰语、越南语、印尼语、马来语、菲律宾语等）
• 9种中国方言：四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南语

声音克隆

• 上传5-20秒参考音频即可克隆声音
• 支持参考音频降噪（勾选即可去除背景杂音）
• 克隆相似度达到业界领先水平

音色设计

• 无需上传任何参考音频，通过文字描述从零创造声音
• 可以精确控制情绪、语速、音量等参数
• 支持同一文本生成不同情绪的版本

高音质

• 48000Hz CD级音质（市面普遍为24000Hz）
• 生成速度约1秒

语音标签控制

• 支持在文本中插入 [laughing]（笑声）、[sigh]（叹气）、[Uhm]（嗯）等标签控制停顿效果

在线体验：5步生成方言语音

第一步：打开体验页面

访问 https://voxcpm.modelbest.cn/ ，进入在线体验界面。

第二步：上传参考音频（可选）

在左上角上传一段参考音频，建议20秒左右。不上传也可以使用音色设计功能。

第三步：填写控制指令

在"Control Instruction"中填写方言或语言指令，例如"东北话"、"粤语"、"Thai"等。还可以添加情绪和语速描述。

第四步：填写合成文本

将需要合成的台词文本填入文本框。

第五步：点击生成

点击"Generate Speech"按钮，不到1秒即可生成音频。

提示: 生成面板还有几个关键参数：Text Normalization（文本规范化，处理日期和数字等AI读不准的内容）、CFG Value（控制AI的听话程度，数值越高越遵循指令）、LocDiT Steps（步数越高音质越好但速度越慢）。

开发者部署

VoxCPM 2 提供了全家桶级的工具链：

• 推理：原生Torch推理、LoRA微调、全参数微调都支持
• 高吞吐：VoxCPM-NanoVLLM 用于GPU推理加速
• UI插件：ComfyUI、WebUI插件一应俱全
• Rust版本：为性能要求高的场景准备了Rust重构版

GitHub 地址：https://github.com/OpenBMB/VoxCPM/

HuggingFace 地址：https://huggingface.openbmb.com/model/openbmb/VoxCPM2

实际体验

方言场景：四川话、东北话、粤语的语气词和顿挫感都还原得很到位，不再是"标准普通话带口音"的效果。

音色设计：通过文字描述就能创造出从未存在的声音，比如"清澈男中音，偏冷调，像月光落在雪地上"这种描述也能生成出贴合的声音。

多语种：特别是东南亚语言的效果，海外用户反馈"自家语言的效果很不错"。

应用场景

• 内容创作：短视频配音、有声书、播客生成
• 跨境电商：东南亚出海团队的本地化配音，成本只有闭源平台的零头
• 游戏与影视：角色配音、动画旁白
• 文化内容：方言保护、地方特色内容创作

成本对比

闭源平台ElevenLabs的Pro套餐每月99美元，仅含50万字符额度。VoxCPM 2完全开源免费，部署成本大约是一张4090显卡的几度电费。