支持30种语言，多种中文方言 [四川话、粤语等]的颠覆性无分词器TTS系统

来源类型：本地文档（raw/articles/ 增量 ingest）
日期：2026-06-24
Tags：Token经济, 微信生态

概述

author: "小G" created: "2026-06-17" - 微信文章 - clipping ** VoxCPM 是一个无离散音频分词器（Tokenizer-Free）的语音合成系统，通过端到端的扩散自回归架构直接生成连续语音表征，绕过对音频的离散编码步骤，实现高度自然且富有表现力的语音合成。 VoxCPM2 是最新的版本 — 基于 MiniCPM-4 基座构建，总计 20亿 参数，在超过 200万小时 的多语种音频数据上训练，支持 30种全球语言+9种中文方言（如下所示）、音色设计、可控声音克隆，原生输出 48kHz** 高质量音频。

核心要点

• • 🌍 30种语言语音合成 — 直接输入原始文本即可合成（支持语言详见下文），无需额外语言标签
• • 🎨 音色设计 — 用自然语言描述（性别、年龄、音色、情绪、语速……）凭空创建全新音色，无需参考音频
• • 🎛️ 可控声音克隆 — 从参考音频片段克隆任意声音，可叠加风格指令控制情绪、语速和表现力，同时保持原始音色
• • 🎙️ 极致克隆 — 提供参考音频及其文本内容，模型接着参考音频进行无缝续写，从而精准还原声音细节特征（与 VoxCPM1.5 一致）
• • 🔊 48kHz 高质量音频 — 输入 16kHz 参考音频，通过 AudioVAE V2 的非对称编解码设计直接输出 48kHz 高质量音频，内置超分能力
• • 🧠 语境感知合成 — 根据文本内容自动推断合适的韵律和表现力
• • ⚡ 实时流式合成 — 在 NVIDIA RTX 4090 上 RTF 低至 ~0.3，通过 Nano-VLLM 加速后可达 ~0.13
• • 📜 完全开源，商用就绪 — 权重和代码基于 Apache-2.0 协议发布，免费商用

来源

原始文件：支持30种语言，多种中文方言 [四川话、粤语等]的颠覆性无分词器TTS系统.md相关链接：https://mp.weixin.qq.com/s/FrOZxEMhFQm8mtF0MHm2aw，http://localhost:8808

引用统计

本文档收录于 wiki sources，支持通过 wiki/index 检索。