# VoxCPM2（语音模型）

> OpenBMB 的 VoxCPM2：48 kHz 的语音合成，支持 30 种语言和 9 种汉语方言，可从短音频克隆音色、按描述设计音色，并用情感与语速指令控制，适用于角色对白和旁白。通过 audio.cpp 在你的 GPU 上本地运行。Apache-2.0，允许商用。

- ID: `aigd.audio-voxcpm2`
- 来源: 官方 (第一方 `aigd.*`)
- 分类: 音频
- 发布者: AI Game Dev (`aigd`), 已验证
- 最新版本: 1.0.2 (发布于 2026-11-22)
- 许可证: Apache-2.0
- 需要 AI Game Dev 应用: `>=0.32.0-beta.6`
- 原生代码: 否
- 评分: 暂无评分
- HTML 页面: https://ai-game.dev/zh-hans/packages/aigd.audio-voxcpm2

## 安装

使用 gamedev CLI，在项目文件夹中运行：

```bash
gamedev pkg add aigd.audio-voxcpm2
```

在桌面应用中：打开 Packages 窗口（状态栏中的包图标），选择 **Browse**，搜索 `aigd.audio-voxcpm2`，然后点击 **Add to Project**。更多：https://ai-game.dev/docs/wiki/app/packages

## 版本

| 版本 | 发布时间 | 需要应用 | 备注 |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 描述

````markdown
# VoxCPM2 (`aigd.audio-voxcpm2`)

VoxCPM2 是 OpenBMB 推出的 2B 参数语音模型，基于 MiniCPM-4。它能在 48 kHz 下说 30 种语言和 9 种汉语方言，并在同一个模型里完成三件事：从短音频克隆音色、根据文字描述设计新音色，以及用指令控制情感和语速。在 AI Game Dev 应用中，它通过**本地音频生成**（`aigd.audiocpp`，audio.cpp 运行时）在你的 GPU 上本地运行，因此每句对白都不产生任何费用。它适合需要为角色配上多种语言语音的游戏开发者，采用 Apache-2.0 许可，允许商业使用。

## 你可以制作什么

- 30 种语言的 NPC 对白与旁白，适合本地化的游戏。
- 从一段短录音克隆出的角色音色（你自己的，或经配音演员同意的）。
- 用文字描述出的新角色音色（“年轻女性，声音温柔甜美”）。
- 剧情场景中的情感演绎（“激动，语速快”），也可与克隆或设计的音色组合使用。
- 更长的段落：每次请求最多 2,000 个字符。

## 示例请求

- “使用 `voice/hero.wav` 及其转写文本，用 `dialogue/act1.txt` 朗读主角的台词。”
- “创建一个年迈而睿智的巫师音色，让他用英语和西班牙语说出预言。”
- “用泰语、越南语和印尼语朗读商店问候语，欢快且语速快。”
- “用平静低沉的嗓音为 `dialogue/intro.txt` 配旁白。”

## 功能亮点

| 规格 | 值 |
|---|---|
| 语言 | 30 种语言和 9 种汉语方言（见下方列表） |
| 输出 | 48 kHz 单声道 WAV，保存到你的项目中 |
| 每次请求文本 | 最多 2,000 个字符 |
| 音色 | 从音频片段克隆（2–30 秒）、按描述设计，或由模型自行选择 |
| 步数 | 默认 10 个 flow 步，最多 50 |
| 引导系数 | 默认 2 |

- **30 种语言**：阿拉伯语、缅甸语、中文、丹麦语、荷兰语、英语、芬兰语、法语、德语、希腊语、希伯来语、印地语、印尼语、意大利语、日语、高棉语、韩语、老挝语、马来语、挪威语、波兰语、葡萄牙语、俄语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰语、土耳其语、越南语——以及 9 种汉语方言。它会自行检测文本的语言；语言设置仅作参考。
- **音色克隆**：从一段短音频（2–30 秒，*要克隆的音色*）克隆。如果提供音频片段的准确转写文本，应用会开启 VoxCPM2 的“极致克隆”（`ultimate_clone`），相似度最高。
- **音色设计**：用文字描述音色（“年轻女性，声音温柔甜美”）。
- **情感与语速**：一条指令（“激动，语速快”）。与音色设计或克隆搭配时，两者都会生效。audio.cpp 按 VoxCPM2 期望的方式传入：放在文本前面的括号中。
- 如果没有音频片段或描述，模型会自行挑选一个音色。audio.cpp 自身的默认种子是固定的（1234）；Asset Studio 每次点击生成都会发送新的种子，智能体也可以自行设置。

如果想要九个现成的内置音色，请参见 [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice)。

这个包只包含数据。它指定了模型文件。应用会在你确认后下载它，用 sha256 校验，并通过 audio.cpp 在你的电脑上运行。

## 下载

2.96 GB，单个文件，固定到某个 Hugging Face 提交：

| 文件 | 来源 | 大小 |
|---|---|---:|
| `voxcpm2-q8_0.gguf`（语言模型、扩散解码器和 AudioVAE 合于一个文件） | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## 适用于哪些电脑

| 电脑 | 需求 | 速度 |
|---|---|---|
| NVIDIA GPU（CUDA）或其他 GPU（Vulkan） | 约 8 GB 显存（OpenBMB 给出的数据） | 尚未实测 |
| 搭载 Apple 芯片的 Mac（Metal） | 约 16 GB 内存（估算） | 尚未实测 |

OpenBMB 给出的约 8 GB 是针对原始权重的；这个 q8_0 文件更小，该数值会在发布前于真实 GPU 上核实。

## 许可

Apache-2.0。允许将模型及其生成的语音用于商业用途。

- VoxCPM2 © OpenBMB — [模型卡](https://huggingface.co/openbmb/VoxCPM2)（`license: apache-2.0`，“可免费商用”），[许可文本](https://www.apache.org/licenses/LICENSE-2.0)。
- GGUF 打包：[`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — 仓库卡片将 `VoxCPM2-GGUF` 列为 Apache-2.0，受原始模型许可约束。

再分发权重时必须保留的署名：保留 VoxCPM2 的 Apache-2.0 许可文本及其声明。你生成的语音无需署名。

限制说明白些：除了声明要求之外，许可本身没有任何限制——没有地域限制，没有收入上限，没有水印。模型卡另外增加了一条使用规则：**严禁**冒充他人、欺诈和散布虚假信息，AI 生成的语音应清晰标注。只克隆你有权使用的音色（你自己的，或经说话人同意的）。

所有文件都从 Hugging Face 下载。AI Game Dev 不托管这些文件。
````
