VoxCPM（OpenBMB/VoxCPM）是 OpenBMB 推出的「无分词器（tokenizer-free）」文本转语音（TTS）系统，通过端到端的扩散自回归架构直接生成连续语音表示，绕开离散 token 化以获得自然、富表现力的合成。最新的 VoxCPM2 是 2B 参数模型，基于 MiniCPM-4 骨干、在超 200 万小时多语种语音上训练，支持 30 种语言、声音设计（Voice Design）、可控声音克隆与 48kHz 录音室级音质。Apache-2.0 许可，约 19,698 stars，主语言 Python，提供 HuggingFace/ModelScope 权重与在线 Demo。重要前提：含语音克隆能力，须在获得本人同意与合规授权下使用。
来源：README.md（标题、介绍、VoxCPM2、Highlights）；GitHub 仓库元数据（stars=19698、language=Python、license=Apache-2.0、topics tts/voice-cloning） 查看 GitHub 仓库 →高质量、可控、可克隆的多语种 TTS 需求旺盛，VoxCPM2 以无分词器扩散自回归架构、30 语种、声音设计（仅凭文字描述造新音色）、可控克隆与 48kHz 高保真、实时流式（RTX 4090 上 RTF 低至约 0.3）等卖点切入，且开源权重 + 在线 Demo、由 OpenBMB（MiniCPM 团队）出品，因而关注度高。需说明：训练数据量、RTF 等为项目自述/特定硬件数据，实际依配置；声音克隆属敏感能力，须经同意、合规使用，避免冒充与伪造。截至数据采集约 19,698 stars。
来源：README.md（介绍、Highlights 的多语种/克隆/48kHz/流式）；GitHub 仓库元数据（stars=19698、pushed_at 2026-05）端到端扩散自回归直接生成连续语音表征，合成自然富表现力。
来源：README.md（介绍）支持 30 语种直接合成，并能仅凭自然语言描述创造全新音色（Voice Design）。
来源：README.md（Highlights 的 Multilingual/Voice Design）短参考克隆音色并可引导情感语速，或给参考+转写做完整细节克隆；48kHz 录音室级输出。
来源：README.md（Highlights 的 Controllable/Ultimate Cloning、48kHz）支持实时流式合成，RTX 4090 上 RTF 低至约 0.3，可经 Nano-vLLM 进一步加速。
来源：README.md（Highlights 的 Real-Time Streaming）VoxCPM 的核心是无分词器 TTS：用端到端扩散自回归架构直接生成连续语音表征，而非先离散化为 token。VoxCPM2 为 2B 参数、基于 MiniCPM-4 骨干，配合 AudioVAE V2 的非对称编解码与内置超分，接受 16kHz 参考音频、直接输出 48kHz 高质量音频。能力包括：30 语种直接合成（无需语言标签）、Voice Design（仅凭性别/年龄/语气/情感/语速等自然语言描述造新音色）、可控克隆（短参考片段克隆音色并可引导情感/语速）、Ultimate 克隆（给参考音频+转写以保留全部细节）、上下文感知韵律与实时流式（可经 Nano-vLLM 加速）。以 Python/PyTorch 实现。
来源：README.md（介绍、VoxCPM2、Highlights）；GitHub 仓库元数据（language=Python）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
PyTorchMiniCPM-4 骨干AudioVAE V2（编解码+超分）Nano-vLLM（可选加速）在合规、获得同意的前提下，适合做多语种语音合成与配音、有声内容/播客、无障碍朗读、虚拟角色与游戏配音、以及需要按描述定制音色（Voice Design）或高保真克隆的场景；也适合 TTS/语音生成的研究与产品原型。涉及克隆真实人声时务必获授权、明确标注合成内容，避免伪造与滥用。
来源：README.md（介绍、Highlights）最新为 VoxCPM2：2B 参数、基于 MiniCPM-4、200 万+ 小时多语种数据训练，支持 30 语种、Voice Design、可控克隆与 48kHz 输出（相对 VoxCPM1.5 的升级）。权重见 HuggingFace（openbmb/VoxCPM2）与 ModelScope。仓库最后更新约在 2026 年 5 月，维护活跃。
来源：README.md（VoxCPM2 段、徽章）；GitHub pushed_atVoxCPM 是 OpenBMB 的无分词器扩散 TTS 系统，最新 VoxCPM2（2B，基于 MiniCPM-4）支持 30 语种、Voice Design（按描述造音色）、可控/完整声音克隆与 48kHz 高保真、实时流式，开源权重与在线 Demo 齐全，合成自然、能力全面，是高质量多语种 TTS 的有力开源选择。要清楚语音克隆属敏感能力，必须经本人同意与合规使用、避免冒充伪造；自述的训练数据量与 RTF 依配置、2B 高保真推理吃算力、克隆质量随参考与语言而变。在合规前提下，它是 TTS/语音生成方向值得关注的开源项目。
来源：综合 README.md 的定位、架构、能力与合规前提