上周做了条 AI 短剧，找配音平台询价，一条 300 字的台词，报价 1200。跑了三家，最少的也要 680。后来朋友说你去试试 VoxCPM2，清华新开源的，免费商用。我在线 demo 点了几下，生成了一段 16 秒的音频。说实话，听完之后沉默了大概十秒钟——不是因为效果差，而是因为效果太好了。
先回答一个问题：为什么 TTS 突然又火了？
2023 年 GPT-SoVITS 把声音克隆带到消费级，2024 年 CosyVoice 2 把情感控制提了一档，2025 年初 Fish Speech 2.5 开始做 streaming 实时对话。
但所有开源 TTS 都卡在一个共同的瓶颈上：音质上限。
不是合成得"像那么回事"，而是合成得"让人听不出是机器"——这一步始终差一口气。
VoxCPM2 的出现，相当于是把天花板顶开了。
一句话解释它的价值：过去你克隆声音需要一段录音做参考。现在你只需要写一句话描述——"年轻女性，声音温柔甜美，略带书卷气"——模型就凭空把这个声音捏出来了。
它到底做了什么不一样的事？
先说最反直觉的一点：VoxCPM2 没有 Tokenizer。
所有主流 TTS 走的路是：声音信号 → 切碎成离散 Token → 模型生成 Token → 还原声音。中间那层离散编码，就像把照片压缩成 JPEG 再解压——信息必定有损耗。低频细节糊了，高频毛刺出来了，这就是"电子感"的来源。
VoxCPM2 不走这条路。它用扩散自回归架构直接在连续空间里生成音频。相当于从"画像素图"变成了"直接拿颜料画油画"——保留了完整的声学细节。
另一个关键：200 万小时训练数据。
对比一下：
CosyVoice 2 在 30 万小时中文数据上训练。GPT-SoVITS 没有公开训练规模，目测在 10 万小时级别。VoxCPM2 是 200 万小时、30 种语言——量级差了 6 到 20 倍。
数据量和架构差异叠加，在听觉上产生了一个质的飞跃：干净。
三种模式：从"模仿"到"创造"
第一层：音色设计
这是最让我兴奋的能力。不需要任何参考音频。你写一句话——"中年男性，低沉稳重，带点沙哑"——模型就凭空捏出这个声音来。
这在过去开源的 TTS 产品里是做不到的。CosyVoice 2 能做一定程度的表情控制，但底色必须基于一个已有的声音。GPT-SoVITS 依赖参考音频做 clone，没有参考就是瞎的。
场景价值在哪？
你做了一个播客，但不想用自己的声音 → 捏一个虚拟主播。你有声书项目需要旁白 + 多个角色 → 捏一整套声库，不需要任何一个真人授权。你做 AI 伴侣或客服 → 为每个品牌设计一个固定的声音 IP。
这是一个从"复制"到"创造"的范式转换。
第二层：可控克隆
给一段几秒的参考音频，模型克隆这个音色——然后叠加风格指令。
你在参考音频里录了一句"你好"，模型学会了你的声音。然后你说"用这个声音，语速加快 30%，带点兴奋感，念一段广告词"——它做到了，音色还是你的，但情绪和节奏被独立控制。
CosyVoice 2 能做到类似的"细粒度控制"，但控制的是全局风格。GPT-SoVITS 几乎做不了独立于音色的风格控制。
第三层：极致克隆
参考音频 + 文本转录 → 模型理解这段声音的所有细节（音色、节奏、情感、气息），然后无缝续写。
相当于给了一段 10 秒的语音，模型"听懂了"这个人的发声习惯，然后自动接着往下说——你完全听不出接缝在哪。
这个能力对于有声内容生产是核弹级的——一段参考音频就能承包整本有声书。
AI 声音合成，过去叫"克隆"。VoxCPM2 第一次让这件事变成了"捏人"。
技术细节：不能跳过的硬核部分
48kHz 原生输出
参考音频只管输入 16kHz，模型直接输出 48kHz。内建超分，不需要额外工具。这意味着从 VoxCPM2 出来的音频可以直接用在广播级场合。
而 CosyVoice 2 和 GPT-SoVITS 默认输出都是 24kHz 或 16kHz，需要外挂超分器。
| 维度 | VoxCPM2 | CosyVoice 2 | GPT-SoVITS | Fish Speech 2.5 |
|---|---|---|---|---|
| 模型大小 | 2B | ~1.2B | ~0.7B | ~0.5B |
| 训练数据 | 200万小时 | 30万小时 | 未公开 | 100万小时 |
| 输出采样率 | 48kHz | 24kHz | 32kHz | 24kHz |
| 语言支持 | 30种+9种方言 | 中+英 | 中/英/日/韩 | 中/英/日/德/法 |
| 音色设计 | 能用文字创造 | 不行 | 不行 | 不行 |
| 风格控制 | 与音色解耦 | 有限控制 | 不行 | 有限 |
| 实时推理 | 0.13 (vLLM) | ~0.2 | ~0.15 | ~0.08 |
| 开源协议 | Apache 2.0 | Apache 2.0 | MIT | Apache 2.0 |
实时性
RTX 4090 上 RTF（实时率）0.3，用 vLLM-Omni 加速可以压到 0.13——生成 1 秒音频只要 0.13 秒。这意味着可以做到实时流式输出，在 AI 语音助手场景完全够用。
但硬件门槛确实存在。2B 参数模型需要 CUDA GPU。我用 M1 MacBook Air 16GB 本地跑不动——但好在有在线 demo 可以直接用，不需要部署。
这波对内容创作者意味着什么？
1. 播客和有声书
以前做有声内容的大瓶颈是人——找个好的配音演员很贵，找个稳定的长期合作更难。VoxCPM2 的"音色设计"能力让这个环节变成纯技术操作：捏一个声音 IP、确定风格、批量生成。虽然目前长文本韵律还有瑕疵，但质量已经跨过了"能用"的及格线。
2. AI 短剧和虚拟人
抖音上的 AI 短剧现在很火，但大部分用单一 TTS 声音播全剧，听感很差。VoxCPM2 在一个模型里就能生成多个角色音色——男主、女主、旁白各捏一个，成本为零。
一条短剧的配音成本，从 1200 降到 0。这才是真正的"降本增效"。
3. AI 语音助手
这是最卷的赛道。现在的助手要么用付费云 API（费用不低），要么用开源但音质一般。VoxCPM2 提供了一种可能：本地部署、免费商用、音质在线。
坦诚地聊聊局限
写评测不能只吹好的一面。
第一，长文本韵律不稳定。 我试了 500 字以上的段落，模型在中段偶尔会"走神"——语调突然变平，像是在读词而非说话。这是所有扩散架构 TTS 的通病，VoxCPM2 做得已经算好的，但距离人类配音还有距离。
第二，复杂情感表达不够细腻。 "略带忧伤的温柔女声"它能做到，但"压抑着愤怒又带一丝嘲讽"这种叠加情绪就翻车了——听起来像生气，但没有层次。
第三，硬件门槛。 2B 模型在 CPU 上基本跑不了。Raspberry Pi 级别的边缘设备用不了，AI 音箱想集成它还得等轻量版。
第四，中文方言支持还是实验性质。 自称支持 9 种方言，但我试了四川话和粤语——能说，但口音不纯，像一个北方人试图学四川话的感觉。
写在最后
VoxCPM2 让我想起 2023 年初第一次用 GPT-SoVITS 时的感觉——技术到了一个拐点，后面就是应用层的爆发。
但这次不一样的地方有三点：它跳出了"模仿"的框架，第一次实现了"创造"；48kHz 原生输出让音频质量迈过了广播级门槛；Apache 2.0 协议加上免费商用，消除了法律顾虑。
如果你在做内容创作、有声书、AI 短剧或者语音助手，现在应该去它的在线 demo 上玩一玩。不需要装环境，浏览器打开，输入文字，听听出来的声音。
你会觉得这技术已经到了一种"不太对劲"的程度。
项目地址：github.com/OpenBMB/VoxCPM 在线体验：voxcpm.modelbest.cn HuggingFace Demo：huggingface.co/spaces/OpenBMB/VoxCPM-Demo 论文地址：arxiv.org/abs/2505.20518
