新智元报道

编辑：好困 Aeneas

面壁智能2B小模型VoxCPM 2惊艳开源，一众外国网友疯狂了！30种语言与9大方言它是信手拈来，复刻的贺炜激昂解说与徐志胜脱口秀，相似度简直直击灵魂。这哪是工具，分明是降维打击的生产力核武器！

最近，这个AI直接让我们疯狂了！

事情是这样的。

我们写了段脱口秀，上传了一段徐志胜的录音，让AI用他的声音念出来。

音频一出，编辑部安静了三秒，然后集体炸了。

那个山东味儿的换气声，那个冤种气质，连说到一半突然卡壳的停顿都一模一样。

但这真不是徐志胜。

干这事的叫VoxCPM 2，面壁智能联合OpenBMB开源社区、清华大学人机语音交互实验室开发的2B小模型，4月刚刚开源。

体验链接：

https://voxcpm.modelbest.cn/

GitHub开源链接：

https://github.com/OpenBMB/VoxCPM/

Hugging Face链接：

https://huggingface.openbmb.com/model/openbmb/VoxCPM2

而且，不只我们疯了。前天VoxCPM 2首发时，X推文的浏览量分分钟飙到30多万。

官方放出的demo，直接把一众网友震了。

只见「硅谷钢铁侠」马斯克化身Q版数字人，周游了十几个国家。每到一个国家，他都用极度地道的当地语言，结合当地文化和自家公司疯狂吐槽。

在法国，他会用法语吐槽「8月份在这里等一封邮件，比殖民火星还难」；在意大利，他又用意大利语严正声明：「披萨上放菠萝，简直比炸毁一枚火箭还要罪恶」。

在中国，他用字正腔圆的中文感慨：「这里开源模型的发布频率，简直比我发射星链还要密集」；在泰国，他被辣到怀疑人生，「这木瓜沙拉辣得把我大脑都重启了，Neuralink赶紧记下来！」

评论区里，网友们疯狂夸赞说：VoxCPM 2又一次提高了开源TTS的标准，它可能会彻底改变我们创作音频的方式！

能接得住梗，只是VoxCPM 2的基本功而已。

它包含30种语言，9种方言，有48kHz的CD级音质。对于声音克隆、情绪控制，它样样能打，还有一招更绝的「音色设计」，能无中生有，凭空创造一种从未存在过的声音。

别家要好几个模型叠起来干的活，它一个全包。开源，免费，工具链全套附送。

这个AI真的不是来参加比赛的，而是直接把桌子都掀了！

五场实测，拆解AI语音能力上限

一段录音喂进去，贺炜直接复刻

音色克隆，是VoxCPM 2的一大杀手锏，属于人无我有的功能。它实现了业界领先的克隆相似度，真正做到了声临其境。

最近，所有人都被张雪机车的热血故事刷屏了。在WSBK葡萄牙站，张雪凭一己之力，干掉了杜卡迪川崎雅马哈，打破了欧日的百年垄断，一战封神！

那让我们试一试，模仿贺炜的解说风格，用激情澎湃、热泪盈眶、骄傲自豪的声音有节奏感、有停顿地解说下面这段话：

比赛结束了！冠军！张雪和他的国产机车，在葡萄牙，在WSBK的赛场上，创造了历史！

此时此刻，波尔蒂芒赛道的空气仿佛都凝固了。我们看到张雪机车的赛车手在最后一个弯道压低了身姿，那不是简单的倾斜，那是理想主义者在向地心引力发起的最后冲锋！

贺炜这直击灵魂深处的激昂怒吼，已经被一比一完美复刻，这穿透屏幕的声浪，让全世界都听到：中国智造，已经走到了世界巅峰。

一个字，绝。

方言一响，AI瞬间有了人味

AI说中文不奇怪，但它能说出那种带着大蒜味、火锅味、甚至腊汁肉夹馍味的家乡话吗？

VoxCPM 2支持9种中国方言，四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南话。光看名单没感觉，得听。

为了试出它的底牌，我们请出《武林外传》里的经典人物。

首先，我们先给模型喂了一段佟掌柜的经典台词。原本担心AI会把陕西方言念成「标准普通话带口音」，结果音频一出，全办公室都沉默了。

佟湘玉（陕西话）： 「额错咧，额真滴错咧，额从一开始就不该嫁到这儿来……」

简直了，这个微微上扬的尾音，把那种风情万种又委屈巴巴的劲儿掐得死死的。

山东方言里独特的重音位置和喜感，粤语里的文艺腔和江湖气，VoxCPM 2全接住了。

燕小六（山东话）： 「给俺照看好俺七舅姥爷！」（帮我照顾好我七舅老爷）

无双（粤语）：「有啲人天生血脉带风，注定一世都要漂泊。」 （有些人血里有风，注定是要漂泊的）

最后，再来几段有故事感的。

我们给VoxCPM 2下了一道指令，「闽南语，女性，语气又凶又心疼」，让它演一个叫孙子回来吃饭的闽南阿嬷。

死囡仔！叫你紧来食饭你就装无听着！菜拢冷去矣！你若阁无来，碗筷我就收起来，今仔暗你去食风就好！......好啦好啦，紧来坐，我共你留一碗鸡汤。

闽南阿嬷管你吃饭，广东老师傅管你吃好。

我们让VoxCPM 2用粤语念了一段干炒牛河的旁白，控制指令只写了一句「像纪录片旁白，浑厚从容」。

一碟好嘅干炒牛河，镬气系灵魂。猛火烧镬，牛油落镬嘅一刻，成间厨房都系香味。河粉要炒到条条分明，牛肉要滑而唔韧。老师傅讲，干炒牛河唔系炒出嚟嘅，系「抛」出嚟嘅。

不紧不慢地讲述节奏，听完想立刻下楼找大排档。

上海话也不甘示弱。

先来一段上海阿姨吐槽邻居装修，语速快、嗲中带刺，每个字都在翻白眼。

侬晓得伐，阿拉隔壁邻居又开始装修了。礼拜六一大早就叮叮咚咚，我整个人困在床浪向，感觉自家屋里厢就像住在拆迁现场。我发消息过去讲，能不能轻一点？人家回我一句，「快了快了」。快了快了讲了三个号头了！

同样是上海话，这次换成低沉威严的中年男声，像老克勒靠在沙发上跟晚辈讲规矩。

我信过交情，也吃过生活。到如今我想通了，这个世界浪向，第一桩事体就是勿要让别人晓得侬心里厢到底想啥。侬今朝来寻我，我帮侬这个忙，但是将来总有一日，我要侬帮我做一桩事体。这桩事体，侬勿好推脱。

同一种方言，一个嗲到骨头酥，一个冷到脊背凉。VoxCPM 2的驾驭，已经不是「能说」的问题了，是「能演」。

为什么效果这么好？因为模型抓住了方言里的语气词、顿挫感和情绪颗粒度，方言不再是几种发音规律的组合，而是一种情感的复刻。

对于自媒体短视频、文化出海团队来说，这简直是核武器级的生产力。

凭空捏出一个声优，还能千人千面

VoxCPM 2的另一大突出能力，就是音色设计。

现在市面上多数模型只能对固定音色进行情感或风格控制，但VoxCPM 2却能支持任意音色的生成。

因此，我们可以先用文字创造一个理想声音，精确控制它的情感和风格，这就为内容创作打开了无限空间。

比如下面这个武侠短剧的配音，无论是浪子侠客、活泼少女还是江湖老者，角色的贴合度都到了毛孔级别。

它不再是那种录音棚里冷冰冰的、毫无波澜的对白，而是带上了呼吸声、带上了情绪的起伏。

这就是核弹级的降维打击，从此再也不需要满世界去找配音演员了，VoxCPM 2一个AI就能生成千变万化的音色。

另外，我们还试着让VoxCPM 2设计了一段《恋与深空》男主沈星移对女主的表白。

设计细节如下。

音色：清澈男中音，偏冷调但非冰冷，类似「月光落在雪地上」的质感

语速：日常语速偏慢，约每分钟130-150字；内心戏时更缓

气息：句尾常有极轻的吸气或叹息感，表现隐忍

果然，VoxCPM 2分分钟复现了一个乙女游戏男主的音色，像是在克制情绪，却又无法藏住那份对女主那份压抑隐忍的深情，简直满分！

温柔能设计，冷也能。

我们用控制指令写了一段人设，「中年男性，声音干涩发紧，语速很慢，每说完一句就停下来，音量始终很低，像是自言自语」，让它念一段鲁迅体吐槽。

我翻开朋友圈一查，满屏都写着两个字，副业。横竖睡不着，仔细看了半夜，才从字缝里看出字来，割韭菜。

没有参考音频，没有克隆对象，这个声音是VoxCPM 2凭一段文字描述从零生成的。

浪子侠客、深情男主、冷面文人，音色设计的上限取决于你的想象力。

李白痛饮，七句诗七种情绪

甚至，我们还能通过指令，让每一句话都拥有不同的情绪。

「弃我去者，昨日之日不可留」，指令写「声音沉缓，咬着字尾，像酒后吐郁气」。模型给出了每个字都顿一下的沉闷感，透着力。

「长风万里送秋色」，指令写「像深吸一口气往外放，畅快激动」。「秋色」二字被明显拉长，声音一下子打开了。

「抽刀断水水更流，举杯销愁愁更愁」，指令写「语速放慢，音调降低，尾音拖长」。「愁更愁」三个字几乎是叹气，但又带着一股不服气。

从郁闷到豪迈，从悲伤到释然，每一句的情绪走向都精确跟着控制指令在转。

30种语言覆盖全球，哪吒出海不用找翻译

除了音色克隆和设计，这一次，VoxCPM 2还给出了跨语种的降维打击。

它不仅30种全球主流语言，而且尤其强化了东南亚八国的语种，包括泰语、越南语、印尼语、马来语、菲律宾语等。

要知道，这些语种全是出海团队盯得最紧的赛道，现在一个模型全包了。

说到这儿，那就少不了我们国产电影和电视剧的东南亚出海了。

狂揽159亿票房的《哪吒之魔童闹海》中，哪吒有一段经典台词：「我命由我不由天，是魔是仙，我自己说了算！」

VoxCPM 2给出的泰语、越南语版本，都呈现出极其自然的原声质感。哪吒那种混不吝的狠劲儿，都在异国语境里被完美显现出来。

曾经出海配音需要面对的文化隔阂、口音偏差和昂贵的人力成本，现在在 VoxCPM 2面前，都彻底失去了屏障！

接下来，我们做一个东南亚语言的真实商业场景测试。

我们写了一条15秒带货广告脚本，用VoxCPM 2分别输出泰语、越南语、印尼语、马来语、菲律宾语五个版本。

控制指令统一设定为「年轻女性，清亮活泼，像电商直播主播推荐产品」。

早上好！新到的冰椰拿铁，椰香浓郁，入口丝滑。现在下单第二杯半价，今天喝过的朋友都回来复购了。别犹豫，点下面链接直接拍！

结果让人大为惊喜：五个语种切下来，发音原汁原味，是我们的东南亚朋友都听不出破绽的程度了。

成本呢？如果是用那些按字符收费的闭源平台，五种语言一天跑30条，一个月下来光账单就得好几千美金，让老板们肉疼。

但如果是VoxCPM 2上场，成本也就是一张4090显卡的几度电费的钱，大大利好跨境电商团队！

五场测试跑完，克隆、方言、设计、情绪、多语种，没有一个场景让它露怯。

中国小模型全家桶独一份

开发者疯狂用脚投票

在AI开源界，好用是一方面，配套全不全才是决定开发者用不用脚投票的关键。

这次，面壁智能提供的是全家桶级的工具箱，真正做到了让用户上手即用。

部署层面，原生Torch推理、LoRA微调、全参数微调都支持。高吞吐场景有专门的VoxCPM-NanoVLLM做GPU推理。

生态层面，ComfyUI、WebUI插件一应俱全，甚至为性能狂魔准备了Rust语言重构版本。

从MiniCPM到VoxCPM，面壁智能一直押注「高知识密度」路线，用更小的参数量（2B）打出超越百亿级的性能。

对开发者来说，部署成本更低，推理速度更快，端侧应用更灵活。

而它的开源路线，更是让人疯狂打call。

要知道，现在语音模型的头部闭源平台ElevenLabs，光Pro套餐就要99刀一个月，而这只有50万字符额度，超了另算。

相比之下，VoxCPM 2完全是开源的，不收一分钱，可以随意拿去修改和商用。

目前，VoxCPM 2的体验链接已经上线，GitHub开源仓库在OpenBMB/VoxCPM，模型权重开放下载。

技术理想主义

让中国AGI更有「声音」

VoxCPM 2能做到以上这些，底层是技术路线的选择。

目前开源TTS领域的主流技术路线是Token-based。把连续的语音信号先切成离散的声学Token，再用语言模型逐个预测。这个过程不可避免会丢失声学信息和情感细节。

VoxCPM 2走的是另一条路，扩散自回归连续表征。

用个类比来解释。

Token-based的方法像是先把一幅油画拍成马赛克照片，再试图从马赛克还原油画。每次「打马赛克」都会丢失一些色彩过渡的细节。

VoxCPM 2的方法是在连续的颜色空间里作画，不经过马赛克这一步。声音的细腻纹理天然保留得更完整。

落到听感上，差异很明显。

你去听VoxCPM 2克隆出来的声音，气息感、齿音、喉咙的震动，这些微妙的声学细节保留度好得多。

开头那段鲁迅的冷讽之所以能做到「不靠音量靠气息」，底层就是这条技术路线在撑着。

至此，AI语音的「暴力美学」时代正式结束，VoxCPM 2开启的是一个更细腻、更普惠的新时代。

这场比赛，已经被彻底杀死了。

参考资料：

https://voxcpm.modelbest.cn/

https://github.com/OpenBMB/VoxCPM/

https://huggingface.openbmb.com/model/openbmb/VoxCPM2