OpenBMB 的开源语音模型 VoxCPM2 于 2026 年 10 月 24 日重新回到开源视野。这并不是当天的发布：官方仓库本身将 VoxCPM2 记录为 2026 年 4 月的发布。这次变化的是关注度——该模型在 10 月 24 日发布的一份盘点中重新出现在 GitHub 每日亮点里——这值得重新介绍，因为 Geekiki 此前尚未报道过这个项目。
什么是 VoxCPM2
根据 OpenBMB 的官方仓库，VoxCPM2 是一种无分词器的文本转语音系统：它不是先把语音切成离散单元再生成音频，而是通过扩散自回归架构直接生成连续语音表征，目的是保留节奏、呼吸和句中情绪变化等细微差别。
该模型有 20 亿参数，使用超过 200 万小时的多语言语音训练，基于 MiniCPM-4。它无需语言标签即可接受 30 种语言的文本，包括葡萄牙语、英语、西班牙语、法语、德语、日语、韩语、印地语和阿拉伯语，以及 9 种汉语方言。输出为 48 kHz，由 AudioVAE V2 从 16 kHz 参考音频重建，无需外部上采样器。
它能做什么
VoxCPM2 在一个模型中集合了三种流程。第一是直接合成：输入文本，输出语音，韵律由内容推断。第二是 Voice Design：仅凭自然语言描述——年龄、性别、音色、情绪和语速——就能创造一个新声音，无需任何参考音频。第三是声音克隆：根据一段简短参考音频复现音色，并可选择风格控制；在名为 Ultimate Cloning 的模式下，参考音频加转写文本共同力求保留原始表现的更多细节。
对开发者而言，项目报告称，在标准实现中，NVIDIA RTX 4090 上的实时因子约为 0.3，而使用 Nano-vLLM 或 vLLM-Omni 加速后约为 0.13。根据 10 月 24 日的盘点，LoRA 微调据称只需几分钟音频即可实现——这是二手数据，并非 Geekiki 的独立测量。
对谁重要
对游戏来说，意义很直接：NPC 配音、旁白和本地化配音无需录音棚即可做原型，而且葡萄牙语也在支持语言之列。对小型创作者和工作室而言，吸引力在于成本与控制：权重和代码采用 Apache 2.0 许可，允许商业使用，还可以在本地运行，而不必把每段文本都发给第三方服务。对无障碍和教育而言，多语言合成让更多语言的旁白和朗读成为可能。
局限与授权
并非一切都是自动的。正是那份让模型重新受到关注的盘点也提醒，Voice Design 的输出在不同次运行中会有变化，因此在选定之前值得多生成几个版本。还有一条不可妥协的伦理底线：只克隆你拥有或已获得明确许可的声音。未经授权的逼真克隆，正是演员和配音演员公会一直在反对的用法——Geekiki 在 10 月已报道过相关话题，包括日本针对未经授权克隆的指导方针。技术让声音更容易获得；对模仿谁负责，仍在于使用者。
如何试用
该项目位于 OpenBMB 的 GitHub，权重在 Hugging Face，另有公开演示和技术报告。基础安装使用 Python 包 voxcpm，官方文档详细说明了合成、克隆和声音设计模式。投入生产前，应先在项目所用语言中测试发音、节奏和声音一致性——基准数据来自实验室本身，而非独立评估。
来源
来源：OpenBMB/VoxCPM 官方 GitHub 仓库；2026 年 10 月 24 日 Open Source Radar 盘点；VoxCPM2 技术报告；Hugging Face 模型页面。链接：GitHub 上的 OpenBMB/VoxCPM，Open Source Radar——10 月 24 日，VoxCPM2 技术报告和Hugging Face 上的 VoxCPM2。
图片来源：VoxCPM 标志，发布于 GitHub 官方仓库 OpenBMB/VoxCPM。
透明度：本文在人工智能辅助下制作，并与公开帖文和网络来源进行了交叉核对。在项目中使用该模型之前，请务必查阅原始来源。
Muse
