# VoxCPM2（語音模型）

> OpenBMB 的 VoxCPM2：以 48 kHz 提供 30 種語言與 9 種中文方言的文字轉語音，可從簡短片段複製音色、依描述設計音色，並用情緒與語速指令控制，適合角色對白與旁白。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0，允許商業使用。

- ID: `aigd.audio-voxcpm2`
- 來源: 官方 (第一方 `aigd.*`)
- 分類: 音訊
- 發佈者: AI Game Dev (`aigd`), 已驗證
- 最新版本: 1.0.2 (發佈於 2026-11-22)
- 授權條款: Apache-2.0
- 需要 AI Game Dev 應用程式: `>=0.32.0-beta.6`
- 原生程式碼: 否
- 評分: 尚無評分
- HTML 頁面: https://ai-game.dev/zh-hant/packages/aigd.audio-voxcpm2

## 安裝

在專案資料夾中，使用 gamedev CLI：

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

在桌面應用程式中：開啟「套件」視窗（狀態列上的套件圖示），選擇 **瀏覽**，搜尋 `aigd.audio-voxcpm2`，然後點 **加入專案**。更多資訊：https://ai-game.dev/docs/wiki/app/packages

## 版本

| 版本 | 發佈日期 | 需要應用程式 | 備註 |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 說明

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

VoxCPM2 是 OpenBMB 推出的 2B 參數語音模型，以 MiniCPM-4 為基礎。它能以 48 kHz 說 30 種語言與 9 種中文方言，並在單一模型中做到三件事：從簡短片段複製音色、依文字描述設計新音色，以及用指令調整情緒與語速。在 AI Game Dev 應用程式中，它透過 **本機音訊生成**（`aigd.audiocpp`，audio.cpp 執行環境）在你的 GPU 上本機執行，因此每句對白都不產生任何成本。它適合需要為角色配上多種語言語音的遊戲開發者，授權為 Apache-2.0，允許商業使用。

## 你可以製作什麼

- 30 種語言的 NPC 對白與旁白，適合在地化遊戲。
- 從簡短錄音複製而來的角色音色（你自己的錄音，或經演員同意的錄音）。
- 以文字描述的新角色音色（「年輕女性，溫柔甜美的聲音」）。
- 為劇情場景加上情緒表現（「興奮、語速快」），也可搭配複製或設計的音色一起使用。
- 較長的段落：每次請求最多 2,000 個字元。

## 範例請求

- 「使用 `voice/hero.wav` 及其逐字稿，用 `dialogue/act1.txt` 朗讀主角的台詞。」
- 「創造一個年邁睿智的巫師音色，讓他用英文和西班牙文說出預言。」
- 「用泰文、越南文和印尼文朗讀商店招呼語，語氣開朗、語速快。」
- 「用沉穩低沉的嗓音朗讀 `dialogue/intro.txt`。」

## 重點特色

| 規格 | 值 |
|---|---|
| 語言 | 30 種語言與 9 種中文方言（清單如下） |
| 輸出 | 48 kHz 單聲道 WAV，儲存到你的專案中 |
| 每次請求的文字量 | 最多 2,000 個字元 |
| 音色 | 從片段複製（2–30 秒）、依描述設計，或由模型自行挑選 |
| 步數 | 預設 10 個 flow 步，最多 50 個 |
| 引導強度 | 預設為 2 |

- **30 種語言**：阿拉伯文、緬甸文、中文、丹麥文、荷蘭文、英文、芬蘭文、法文、德文、希臘文、希伯來文、印地文、印尼文、義大利文、日文、高棉文、韓文、寮文、馬來文、挪威文、波蘭文、葡萄牙文、俄文、西班牙文、史瓦希里文、瑞典文、他加祿文、泰文、土耳其文、越南文 — 以及 9 種中文方言。它會自行偵測文字的語言；語言設定僅供參考。
- **音色複製**：從簡短片段（2–30 秒，*Voice to clone*）複製音色。若同時提供該片段的逐字稿，應用程式會啟用 VoxCPM2 的「終極複製」（`ultimate_clone`），相似度最高。
- **音色設計**：用文字描述音色（「年輕女性，溫柔甜美的聲音」）。
- **情緒與語速**：以指令描述（「興奮、語速快」）。搭配音色設計或音色複製時，兩者會同時生效。audio.cpp 會依 VoxCPM2 預期的方式傳遞：放在文字前方的括號內。
- 若沒有片段也沒有描述，模型會自行挑選音色。audio.cpp 本身的預設種子是固定的（1234）；Asset Studio 每次按下「生成」都會送出新的種子，代理也可以自行設定。

若想改用九種現成的內建音色，請參閱 [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice)。

此套件僅包含資料。它指名模型檔案。應用程式會在你確認後下載、以 sha256 檢查，並在你的電腦上透過 audio.cpp 執行。

## 下載

2.96 GB，單一檔案，固定於 Hugging Face 的特定提交：

| 檔案 | 來源 | 大小 |
|---|---|---:|
| `voxcpm2-q8_0.gguf`（語言模型、擴散解碼器與 AudioVAE 整合於單一檔案） | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## 適用電腦

| 電腦 | 需求 | 速度 |
|---|---|---|
| NVIDIA GPU（CUDA）或其他 GPU（Vulkan） | 約 8 GB GPU 記憶體（OpenBMB 提供的數字） | 尚未實測 |
| Apple 晶片的 Mac（Metal） | 約 16 GB 記憶體（估計值） | 尚未實測 |

OpenBMB 的 ~8 GB 是針對原始權重；這個 q8_0 檔案更小，該數字會在發布前於實際 GPU 上驗證。

## 授權

Apache-2.0。允許將模型及其生成的語音用於商業用途。

- VoxCPM2 © OpenBMB — [模型卡](https://huggingface.co/openbmb/VoxCPM2)（`license: apache-2.0`，「可免費商業使用」）、[授權條文](https://www.apache.org/licenses/LICENSE-2.0)。
- GGUF 封裝：[`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — 該儲存庫的說明卡將 `VoxCPM2-GGUF` 標示為 Apache-2.0，並受原始模型授權規範。

重新散布權重時所需的署名：請保留 VoxCPM2 的 Apache-2.0 授權條文及其聲明。你生成的語音則無需署名。

限制說明白一點：授權本身除了聲明要求之外沒有任何限制——沒有限制地區、沒有營收上限、沒有浮水印。模型卡另外加了一條使用規則：**嚴格禁止**冒充他人、詐欺與散布不實資訊，且 AI 生成的語音應清楚標示。只複製你有權使用的音色（你自己的，或取得說話者同意的）。

所有檔案皆從 Hugging Face 下載。AI Game Dev 並未自行託管這些檔案。
````
