面壁与清华开源的免费语音合成工具，能说9种国内方言

做视频配音、有声书、方言内容的人，大概都踩过同一个坑，要么花钱买配音会员，要么用免费工具，出来的声音像机器人念稿。最近试了个面壁智能开源的项目 VoxCPM2，有点东西，关键是开源协议允许免费商用，顺手聊聊。

它到底是什么

简单说，这是个语音合成模型，由 OpenBMB（面壁智能）和清华大学人机交互实验室一起搞的。和传统语音合成不一样，它不走先切词再编码那套离散流程，而是端到端直接生成连续语音，所以听着更自然，不像在念课文。

底座是 MiniCPM-4，20亿参数，在 200多万小时的多语种音频上训出来的，多语言、多方言才扛得住。

几个值得一提的点

• 30种语言加9种中国方言，中文英语日语法语不用说，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都覆盖，直接给文本就能合成，不用额外标语言
• 音色设计，用大白话描述就能凭空捏一个声音，温柔的中年女声、带点沙哑的年轻男声，不用先录参考音频
• 声音克隆，给一段音频就能模仿，还能叠情绪、语速、表现力去控制，再加对应文字喂进去能无缝续写，还原度很高
• 输出 48kHz 高保真，哪怕参考音频只有 16kHz，经它的 AudioVAE V2 也能提到 48kHz，听着更通透
• 实时流式合成，在 RTX 4090 上实时因子压到 0.3 左右，基本跟得上实时对话的节奏

普通人能拿来干嘛

说点实在的。做视频号、B站的，再也不用对着配音会员纠结买不买。想做有声书但嫌自己声音不好听的，用音色设计捏一个满意的。家里长辈说方言，想做个语音播报或者留个声音纪念的，方言支持直接派上用场。想克隆自己声音批量回语音消息的，也不是不行。

想试不用装环境

不想折腾本地，面壁那边搭了个官方在线试用页，浏览器打开直接输文字就能听，先感受下声音自然不自然。要本地玩，环境要求 Python 3.10 以上、PyTorch 2.5 以上、CUDA 12 以上，装起来一条命令。

pip install voxcpm

最简的一段 Python 调用长这样。

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)
wav = model.generate(
    text="VoxCPM2 是目前推荐使用的多语言语音合成版本。",
    cfg_value=2.0, inference_timesteps=10, seed=42,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)

不想写代码，命令行直接 design 或者 clone，或者跑个本地网页 demo 都行。模型权重在 Hugging Face 和 ModelScope 上都能下，搜 openbmb/VoxCPM2 就行。

先说好几个坑

这项目香，但也不是零门槛。它吃显卡，本地玩至少得有块像样的独显，纯 CPU 跑会慢到怀疑人生。克隆声音好玩归好玩，官方也明确提醒严禁拿去冒充他人或者搞欺诈，公开内容最好标清楚是 AI 生成的。非程序员装环境跑命令还是有门槛，纯小白建议先去官方在线试用页摸起，不费事就能听个大概。

整体看，开源又允许免费商用，在语音合成圈不算常见，中文和方言支持也实打实，做内容生产的值得备一个。

你平时用哪个配音或者语音合成工具，体验怎么样，评论区聊聊，我看看还有没有更省事的替代。