面壁「小钢炮」最新开源！0.5B 的声音克隆神器。

面壁「小钢炮」又有新成员啦。

清华大学联合面壁智能推出了一款新的语音生成模型：VoxCPM，目前已经在 GitHub 和 Hugging Face 上开源了。

VoxCPM 模型参数尺寸仅有 0.5 B，非常轻量，但语音合成的效果一点儿不逊。

在自然度、音色复刻程度、韵律等方面都达到了最优的水平，极其高效、实用。

而且 RTF 只有 0.17 左右，支持流式输出。这个新的小钢炮不仅能快速合成语音，还能适应各种实时交互场景哦。

面壁小钢炮 VoxCPM 不仅拥有高质量和丰富表现力的声线，而且只需上传几秒的参考声音，就能实现克隆。

比如上传一段咖喱味的英语作为参考音色，使用 VoxCPM 参考合成一段新的音频。

然后是方言场景，上传比较有特色的四川话和河南话，看看 VoxCPM 怎么个情况。

接下来是不同情绪的合成效果。看看小钢炮在伤心、开心、愤怒上情绪表达的效果。

实际听感上，VoxCPM 生成的语音在情绪、音色、口音、停顿、韵律等方面表现与真人无异。

性能表现

下面这个表梳理了目前主流的语音合成模型的表现，开源的和不开源的都列进去了。

基于 Seed-TTS-EVAL 权威评测榜单，可以看到面壁小钢炮 VoxCPM 在 WER% (词错误率) 、 CER% (字错误率)、SIM% (相似度) 等维度上，不管是英文还是中文都达到了最优。

也就是说这个 0.5B 的小家伙，合成语音的准确性、克隆音色的相似程度、效率三个方面取得了惊人平衡的模型。

尤其在中文场景下表现堪称完美。

模型原理

下面是 VoxCPM 模型的架构图。

它利用一个 MiniCPM-4 作为大脑来理解文本上下文，摒弃传统的语音离散化步骤，直接在连续空间中，采用扩散自回归的生成方式。

并辅以 FSQ 等约束来实现特征解耦，从而同时实现高度表现力的语音合成和极其逼真的零样本语音克隆。

这种方法的优势在于生成的语音细节更丰富、更自然，并且对参考音色的还原度非常高，不仅模仿音色，还能模仿说话风格。

而且 VoxCPM 的推理效率特别高，在一张 RTX 4090 显卡上，RTF 只有 0.17 左右，还支持流式输出。

这意味着它不仅能快速合成语音，还能适应各种实时交互场景。

补充说明：RTF 指的是生成音频所需时间 / 音频本身的时长，这个值越小，速度越快。一般来说，RTF 低于 0.2 就已经是非常好的水平了。

如何使用

面壁小钢炮提供了一个地址，你不需要自己部署就能在下面这个链接体验到。

Demo体验：https://huggingface.co/spaces

下面是 VoxCPM 模型在 GitHub 等社区的开源链接，你可以前往开源项目主页查看部署教程。

Github： https://github.com/OpenBMB/VoxCPM/Hugging Face: https://huggingface.co/openbmb/VoxCPM-0.5BPlayGround体验: https://huggingface.co/spaces/OpenBMB/VoxCPM-Demo音频样例页面地址：https://openbmb.github.io/VoxCPM-demopage

部署很简单，安装后下载模型权重，然后调用使用就行了。

① 安装模型

pip install voxcpm

② 下载模型

其实在首次运行的时候模型会自动下载，如果不放心可以通过下面的命令自己先下载着。

# 下载 VoxCPM-0.5Bfrom huggingface_hub import snapshot_downloadsnapshot_download("openbmb/VoxCPM-0.5B",local_files_only=local_files_only)
# 下载 ZipEnhancer 和 SenseVoice-Small。from modelscope import snapshot_downloadsnapshot_download('iic/speech_zipenhancer_ans_multiloss_16k_base')snapshot_download('iic/SenseVoiceSmall')

ZipEnhancer 可以增强语音提示，使用 SenseVoice-Small 进行语音提示的 ASR。

如果想部署一个 UI 界面鼠标操作，直接。运行 python app.py 就行了。