像捏脸一样“捏声音”?实测最新免费开源模型VoxCPM 2【免部署】
面壁智能近期开源了 VoxCPM 2 语音大模型,该模型支持免部署在线体验。与传统的 TTS 工具不同,VoxCPM 2 将声音转化为可创作的角色,用户无需参考音频,仅需通过自然语言描述即可生成具有特定性别、性格、情绪及方言的语音,且支持高达 48000Hz 的音质输出。
01三种语音生成模式
VoxCPM 2 提供了三种模式来满足不同的创作需求,涵盖了从零创造到精准克隆的全流程。
| 模式名称 | 原理机制 | 使用场景与指令示例 |
|---|---|---|
| 声音设计 (Voice Design) | 无需参考音频,通过 Control Instruction 描述目标音色特征(性别、年龄、语气、情绪等),模型从零创造音色。 | 适用场景:虚拟角色配音、有声书播报。 指令示例:“年轻女性,温婉甜美” / “中老年女性,声音低沉阴冷,语缓而有力”。 |
| 可控克隆 (Controllable Cloning) | 上传参考音频,保留原始音色,同时使用 Control Instruction 调整情绪、语速、风格等表达方式。 | 适用场景:数字分身发声、调整原声情绪。 操作:上传音频 + 指令(如“语速稍快,带有遗憾感”)。 |
| 极致克隆 (Ultimate Cloning) | 开启极致模式,模型自动识别参考音频文本,以音频续写的方式完整还原参考音频中的所有声音细节(禁用 Instruction)。 | 适用场景:对声音还原度要求极高的场景,如复刻特定说话人的所有细节特征。 |
02细节表现与方言支持
在实测表现中,VoxCPM 2 的优势在于对声音细节的细腻还原。除了基础的语调转换,模型能够捕捉并还原呼吸、停顿、叹气、轻重音以及压低声线等微表情,显著提升了生成音频的“活人感”。此外,该模型支持 30 种主流语言及 9 种方言生成。
- 多语言覆盖:涵盖英语、法语、德语、日语、韩语等主流语言,满足出海内容制作需求。
- 方言生成技巧:在 Target Text 中必须使用方言特有的词汇和语法表达,而非普通话直接转写。
例如生成粤语时,指令应设定为“粤语,中年男性”,文本需写“伙计,该A餐,冻奶茶”而非普通话的“麻烦来一个A餐,冻奶茶”。
03多语种性能对比
根据 MiniMax 多语种评测榜单的相似度数据,VoxCPM 2 在多种语言上的表现优于同类型的 Qwen3-TTS 及 MiniMax 模型,尤其在粤语、韩语、泰语等语种上保持较高分数。
| 语种 | VoxCPM 2 相似度 | Qwen3-TTS 相似度 | MiniMax 相似度 |
|---|---|---|---|
| 粤语 | 83.5 | 67.0 | 77.8 |
| 韩语 | 85.4 | 73.5 | 75.6 |
| 泰语 | 80.3 | 58.8 | 74.3 |
| 中文 | 82.5 | 79.9 | 67.7 |
| 日语 | 82.8 | 77.6 | 78.8 |
多语种评测相似度对比(分数越高能力越强)
综上所述,VoxCPM 2 通过降低使用门槛和提供精细的控制能力,为视频配音、播客制作及出海业务提供了高效的技术支持。
当前文章无评论,是时候发表评论了