VoxCPM2：清华团队 2B 参数开源 TTS，30 语种语音克隆与设计，48kHz 录音棚音质

清华 NLP 实验室（OpenBMB）的 VoxCPM 系列从 0.5B 版本起就两度登顶 GitHub/HuggingFace Trending，2026 年 4 月发布的 VoxCPM2 是当前旗舰：2B 参数、超过 200 万小时多语种语料训练、30 种语言，新增语音设计（Voice Design）与可控克隆，输出 48kHz 录音棚音质（Apache-2.0，截至 2026-11-07 仓库 41,134 星；arXiv 技术报告 2606.06928）。部署注意：官方推荐至少 24GB 显存才能流畅运行——WhatsApp 笔记提醒得对，普通办公电脑带不动，需要推理卡或云 GPU。

核心功能

• Tokenizer-Free 架构：免分词器设计直接建模连续语音，基于 MiniCPM-4 底座——这也是「用文字描述就能生成音色」得以实用的技术前提。
• 30 语种 + 声音设计 + 可控克隆：除常规 TTS 外，可描述想要的声音特征生成音色，或按参考音频做可控克隆。
• 48kHz 录音棚音质：输出规格直接对齐专业音频工作流，做后期不再有升采样损失。
• 实时流式：RTX 4090 上 RTF 低至约 0.3，配合 Nano-vLLM 或 vLLM-Omni 加速至约 0.13；vLLM omni-modal 官方服务化方案带 PagedAttention 与 OpenAI 兼容 API。
• 微调友好：VoxCPM1.5 起开源 SFT 与 LoRA 微调脚本，把自家语料灌进基座即可定制音色库，不必从零训练。

典型使用场景

• 有声内容量产：多语种有声书、播客、新闻播报的本地化批量生产。
• 声音资产定制：为品牌或角色设计专属音色，克隆可控。
• 实时语音对话：流式输出可接实时对话管线，RTF<1 即可支撑；RTX 4090 上约 0.3 的 RTF 意味着 3 倍速实时合成还有余量。

快速上手

Python 3.10+ 环境 pip install 后从 HuggingFace 拉权重（openbmb/VoxCPM2）；RTX 4090 级显卡可跑流式推理，低配走云 GPU；HuggingFace Spaces 有在线 Playground 可先试效果。项目沿革值得一看：0.5B 版本（2025-09）与 1.5 版本（2025-12）两度登顶 GitHub/HuggingFace Trending，VoxCPM2 在此基础上把语言数翻到 30、加声音设计与克隆并升级到 48kHz，权重、文档站、Playground 与 arXiv 技术报告全链齐备。

小结

VoxCPM2 适合有 GPU 资源、要本地化部署高质量多语种 TTS 的团队；24GB 显存门槛把普通办公电脑挡在门外——低显存需求请看社区变体（如 4GB 显卡跑土耳其语音色的二次封装，代价是限定语种）。要点与边界：Apache-2.0、Python、2B 参数；声音克隆的使用责任在调用方——克隆他人声音需获得授权。本站写过的 VoxWeft（Apple Silicon 同传）走的是端侧低延迟路线，VoxCPM2 走的是服务器级高保真路线——按部署条件选。