国产免费2B开源语音模型征服《莽撞人》！复刻郭德纲最难贯口

终于，郭德纲 最难的贯口------《莽撞人》，被免费的 2B 国产 AI 给复刻出来了！

不仅如此啊，这个语音模型是直接可以 cover 三十门外语的那种。

来听一下 30 种不同风格的 "你好"：

如此好玩，还免费开源的国产语音模型，到底是何许 AI 是也？

不卖关子，它正是面壁智能 联合 OpenBMB 开源社区 、清华大学人机语音交互实验室 新升级的 VoxCPM 2。

整体看下来，除了多语种、多方言之外，VoxCPM 2 在音色设计 、音色可控 和高表现力方面也是较为亮眼。

不少歪果仁在 VoxCPM 2 发布之后就立马去尝了下鲜，纷纷表示 "自家语言的效果针不戳！"

而且在音质方面，市面一般是 24000Hz，但 VoxCPM 2 这次直接拔高到了 48000Hz（CD 音质）！

这下子，游戏、动画、影视、有声书等领域的人可以说是有福了。

生成只需 1 秒钟的语音模型

开源的 VoxCPM 2，我们现在就可以在在线体验的网站上体验了（地址见文末）：

接下来，我们就一起手把手，搓一个东北话版的**《火影忍者》**。

首先在界面的左上角，我们上传一段宋小宝的原声片段，大概 20 秒左右：

然后在它的下方，我们填一个 "东北话" 的指令，再把台词写进要合成的文本里，例如：

搁这儿用秽土转生跟我唠嗑，可真够损的奥。

最后点击下面的 "Generate Speech" 按钮，不到一秒钟的时间，宋小宝味儿的《火影》宇智波斑的台词就诞生了：

接下来，我们只需要配上一小段视频，齐活儿：

细心的小伙伴可能发现了，刚才宋小宝音频的 demo 里其实是有背景杂音的，但到视频里就没有了。

这其实是 VoxCPM 2 的参考音频降噪功能，只要勾选一下，声音就会变得清晰：

还有值得注意的是，视频里二代土影的声音，是没有上传任何参考音频的情况下生成。

如果你找不到合适的灵感，大可以让 VoxCPM 2 自由发挥。

然后如果想克隆声音的质量有保证，建议上传的参考音频尽量大于等于 5 秒；以及你还可以在 "Control Instruction" 里面添加提示词，改变参考声音的情绪和语速等等。

（但克隆声音的时候，是不能改变性别的哦~）

除此之外，还有 3 个小细节：

第一个是文本规范化，这是在你输入的台词里有日期、符号、阿拉伯数字等 AI 读不明白的内容时，你就可以点它，让 AI 读得规范起来。

第二个 CFG Value，它的作用是用来控制 AI 的听话程度，数值越高就越听你的要求，反之，AI 会自由发挥。

第三个就是 LocDiT，设置它的步数越高，音频效果就会越好，但生成的速度就会变慢。

除此之外，台词中间停顿的音效，现在可以用 $laughing$ （笑声）、 $sigh$ （叹气）、 $Uhm$ （嗯......）这些标签来控制：

总而言之，现在要玩儿逼真、有趣的声音，简直太简单了。

看到这里，肯定有不少的小伙伴要问了：

只有 2B 大小，还免费开源的语音模型，到底是怎么做到的？

来，咱们这就扒一波。

首先就是 VoxCPM 2 走了一条跟市面上大多数模型不太一样的路线------采用扩散自回归连续表征（Diffusion Autoregressive Continuous Representation）。

和市面上主流的 Token-based 传统方案不同的是，它是基于 Tokenizer-Free 的 TTS 系统来做的设计，通过端到端扩散自回归架构直接生成连续语音表征，实现了隐式语义 - 声学的解耦。

简单来说，传统方案在语音转换时极易出现信息损失，而这套技术能最大程度保留原始声音的声学细节、情感基调和方言特色。

这也就是它既能完美复刻周星驰配音的声色，又能把东北话、四川话说得地道入味的核心原因。

与此同时，这款模型的底气，还来自面壁智能深耕多年的高密度小模型技术壁垒。VoxCPM 2 完全基于面壁智能自研的 MiniCPM 基座打造，延续了系列模型 "小身板、大能量" 的特质。

此前 VoxCPM 系列就已经在 Hugging Face 斩获超千点赞、5.5k + 下载量，这次升级更是把多语种、高保真、音色可控等核心能力拉到了行业新高度。

更难得的是，VoxCPM 2 不止开源了完整的模型权重，更提供了从一键上手到大规模部署的全套工具链，支持原生 Torch 推理、LoRA 及全参数微调，还适配了多端 UI 扩展，上手使用变得超简单。

最后回到国产这个点。

放眼全球范围内，目前除了基座大模型牢牢占据了开源领先地位，在小模型、端侧模型上，中国公司也在持续领先。

--- 完 ---