资料摘要：VoxCPM
VoxCPM 是清华大学 OpenBMB 推出的 Tokenizer-Free TTS 系统，通过端到端扩散自回归架构直接生成连续语音表示，绕过了离散 tokenization 的限制。VoxCPM-0.5B 发表于 ICLR 2026，后续 VoxCPM2 升级至 2B 参数、30 语言、48kHz 输出。 🔒 VoxCPM_arXiv_2509.24650
- Tokenizer-Free 范式：通过可微分量化瓶颈（Differentiable Quantization Bottleneck）实现分层语义-声学建模，无需外部语音 tokenizer
- 四阶段流水线架构：LocEnc → TSLM → RALM → LocDiT，在 AudioVAE V2 的潜空间中端到端操作
- VoxCPM2（2026.04）：2B 参数，30 语言，支持 Voice Design、Controllable Cloning、48kHz 输出，RTF ~0.3（RTX 4090）
- 训练数据：VoxCPM-0.5B 基于 180 万小时双语语料；VoxCPM2 基于 200 万+小时多语言数据
- 开源：Apache-2.0 许可，权重和代码完全开源，可商用
- 生态丰富：支持 Nano-vLLM / vLLM-Omni 生产部署，VoxCPM.cpp / ONNX / ANE 等社区推理后端
VoxCPM 的核心思想是分层语义-声学建模，通过半离散残差表示弥合语义与声学之间的鸿沟：
- LocEnc（Local Encoder） — 将文本编码为局部上下文表示
- TSLM（Text-Semantic Language Model） — 生成语义-韵律计划（semantic-prosodic plan），以自回归方式预测高层语义
- RALM（Residual Acoustic Model） — 恢复细粒度声学细节，建模残差信息
- LocDiT（Local Diffusion Transformer） — 基于扩散的局部解码器，生成高保真语音潜变量
整个架构在简单的扩散目标函数下端到端训练，无需依赖外部语音 tokenizer。
| 版本 | 时间 | 参数 | 语言 | 采样率 | 亮点 |
|---|---|---|---|---|---|
| VoxCPM-0.5B | 2025.09 | 0.5B | zh, en | 16kHz | 技术报告 (ICLR 2026) |
| VoxCPM1.5 | 2025.12 | 0.8B | zh, en | 44.1kHz | SFT & LoRA 微调 |
| VoxCPM2 | 2026.04 | 2B | 30 | 48kHz | Voice Design, Controllable Cloning |
- Voice Design（语音设计）：仅凭自然语言描述即可创造全新声音（如 “a young woman, gentle and sweet voice”），无需参考音频
- Controllable Cloning（可控克隆）：克隆参考音频的音色，同时通过文本控制语速、情感和风格
- Ultimate Cloning（终极克隆）：提供参考音频+精确文本，完美复现每个声音细节
- 上下文感知合成：自动从文本内容推断合适的韵律和表现力
- 流式生成：支持实时流式输出
- Seed-TTS-eval 上，VoxCPM2 在英文 WER 1.84%、SIM 75.3%，中文 CER 0.97%、SIM 79.5%
- 跨 30 语言的内部 ASR 评测平均 CER/WER 仅 1.68%
- Voice Design 在 InstructTTSEval 英文上达到 APS 84.2、DSD 83.2、RP 71.4，全面领先开源和商业方案
- Nano-vLLM：专用推理引擎，RTX 4090 上 RTF 低至 ~0.13，支持并发请求和 FastAPI 服务器
- vLLM-Omni：官方 vLLM 多模态扩展，PagedAttention、连续批处理、OpenAI 兼容端点
- arXiv 论文：https://arxiv.org/abs/2509.24650（ICLR 2026）
- GitHub 仓库：OpenBMB/VoxCPM（Apache-2.0）
- Hugging Face：openbmb/VoxCPM2
- 模型版本：0.5B / 1.5 / 2（最新推荐）
VoxCPM2 架构图
Section titled “VoxCPM2 架构图”