模型 / 官方
无需分词器的多语言语音合成与声音克隆新方案
OpenBMB 在 GitHub 上正式发布 VoxCPM2，这是其语音合成系列的最新成果。VoxCPM2 最核心的技术突破在于抛弃了传统 TTS 系统依赖的分词器（Tokenizer）模块，转而采用端到端的无分词器架构，从而在多语言语音生成、创意声音设计以及高保真声音克隆三大场景中实现更自然、更灵活的语音输出。该项目基于 PyTorch 构建，与 MiniCPM 系列模型深度集成，支持多语言音频合成，并提供 Python 接口方便开发者快速接入。VoxCPM2 的发布标志着 OpenBMB 在语音智能领域持续深耕，也为开源社区提供了一个兼具研究价值与工程实用性的多语言 TTS 基础设施选项。
OpenBMB 团队近日在 GitHub 上开源了 VoxCPM2，作为 VoxCPM 系列的第二代产品，该模型在架构设计上做出了重要革新。传统文本转语音系统通常依赖分词器将输入文本切分为离散 token，再逐步映射到声学特征，这一流程在多语言场景下往往面临词表覆盖不足、跨语言迁移困难等问题。VoxCPM2 通过彻底移除分词器模块，采用更直接的端到端建模方式，从根本上规避了上述瓶颈。
在多语言支持方面，VoxCPM2 的无分词器设计使其天然具备更强的语言泛化能力。由于不再受限于特定语言的词表构建逻辑，模型可以更灵活地处理不同语系的文本输入，降低了为新语言单独定制分词规则的工程成本。这对于需要同时支持多种语言的语音应用场景而言，具有显著的实用价值。
声音克隆是 VoxCPM2 的另一项核心能力。该模型宣称能够实现「真实还原」级别的声音克隆效果，即在极少量参考音频的条件下，精准复现目标说话人的音色、语调与节奏特征。与此同时，VoxCPM2 还引入了创意声音设计功能，允许用户通过描述性提示词或参数调节来生成具有特定风格的合成声音，拓展了 TTS 技术在内容创作领域的应用边界。
从技术栈来看，VoxCPM2 基于 PyTorch 框架开发，并与 OpenBMB 旗下的 MiniCPM 系列语言模型深度集成。这一设计思路延续了 OpenBMB 一贯的「语言模型与多模态能力协同演进」路线，使语音合成模块能够充分利用语言模型的语义理解能力，进一步提升合成语音的自然度与表达准确性。项目提供完整的 Python 接口，便于研究人员和工程师快速集成到现有工作流中。
VoxCPM2 的开源发布为学术界和工业界提供了一个新的多语言 TTS 研究基准。在当前语音合成领域竞争日趋激烈的背景下，无分词器架构代表了一种值得关注的技术路径探索。随着开源社区的持续参与和反馈，VoxCPM2 有望在多语言覆盖范围、克隆效果稳定性以及推理效率等维度得到进一步优化与验证。
要点
- VoxCPM2 采用无分词器端到端架构，从根本上解决了传统 TTS 系统在多语言场景下的词表局限问题
- 模型同时支持多语言语音生成、高保真声音克隆与创意声音设计三大核心能力
- 项目基于 PyTorch 构建并与 MiniCPM 深度集成，提供 Python 接口，工程接入门槛较低
- 无分词器设计使模型具备更强的跨语言泛化潜力，降低了为新语言定制的额外工程成本
原始标题：OpenBMB/VoxCPM — VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
本文由 DataHub 基于公开来源整理，用于信息发现与摘要阅读；具体事实、数据和后续更新以原始来源为准。