VoxCPM2本機AI語音生成神器！情緒處理到48kHz音質有到位

正研究語音生成爬到OpenBMB最新的技術文件後發現，語音生成領域出現了一個打破常規的黑馬 VoxCPM2，不是那種聽起來死板的機器音，它是首個採用「Tokenizer-Free」（無分詞器）架構的連續音學建模系統…

它不再把語音切成碎片處理，而是像人類大腦一樣直接生成連續的音訊流，Demo的中文、英文、日文的切換流暢度，「嘆氣」、「笑聲」或「環境氛圍」的處理，讓人背後發涼…

VoxCPM2技術重點

這款由清華大學團隊開源的 2B 參數模型，在技術上有三個極其強悍的突破：

Tokenizer-Free 擴散自回歸架構： 傳統 TTS（文字轉語音）常因分詞導致語氣生硬。VoxCPM2 直接在連續空間建模，這讓它能捕捉到極細微的呼吸聲、重音轉折，生成的音訊具備極高的「人味」。

「Voice Design」文字即語音： 不用餵它樣本，你只要輸入文字「(年輕女性，聲音溫柔甜美，帶點微醺感)」，它就能根據描述「憑空」創造一個全新的聲線。

48kHz 錄音室級高保真： 模型內建 AudioVAE V2，支持自動超解析度。就算你給它的參考音檔只有 16kHz（普通通話品質），它輸出的卻是 48kHz 的錄音室等級清澈音質。

超長上下文與跨語言克隆： 支援 30 種語言，且具備強大的跨語言能力。你可以用一個人的中文音色，讓他講出極其道地的英式英語。

老黑技術洞察應用場景

VoxCPM2 的出現，直接把地端語音生成的門檻拉到了專業級：

高隱私需求的地端語音助手： 由於它是開源且支援本機運行的（RTX 4090 下可達 6 倍速生成），非常適合企業部署內部的 AI 助理，音色可以完全客製化，且數據不外流。

有聲書與遊戲 NPC 語音： 它對情緒標籤（如：興奮、憤怒、悲傷）的理解極其到位。在開發遊戲或製作有聲書時，不再需要錄音室反覆重錄，透過文字提示（Prompt）就能微調語氣。

Podcast 與影音創作： 對於內容創作者來說，它的「Ultimate Cloning」模式能完美保留原作者的說話節奏與口癖，甚至能自動過濾背景噪音，是高品質旁白的神器。

這裡直接取得工具

官方網站： VoxCPM 中文官網

GitHub 倉庫： OpenBMB/VoxCPM

老黑YT AI生成式摘要：https://youtu.be/y5R8Rw73EnI

獲得最新資訊的方法↓

只要下載Telegram App後，再點擊網址，TG電報群【e黑馬寫不停資源庫】：https://t.me/eheima

老黑YouTube頻道在這裡這裡想收到最新影片及資訊，點擊這裡訂閱起來：https://www.youtube.com/@eheimacom

※我要贊助老黑持續創作經營網站，點擊這裡：https://eheima.com/donate

【免費】訂閱e黑馬限量名額速報，獲得讀者專屬禮，目前已訂閱854人，只有2000個免費訂閱名額↓