在当前人工智能技术飞速迭代的背景下，语音合成（TTS）领域正经历着从“能听”到“好听”再到“情感丰富”的关键转折。以往高保真、多方言的语音模型往往依赖庞大的参数量与封闭的算力集群，这使得开源社区在这一领域长期处于追赶状态。然而，随着模型架构的优化与蒸馏技术的成熟，轻量化模型正在展现出令人惊喜的性能边界。
此次面壁智能发布的新一代语音模型，正是在这一趋势下的典型代表。它不仅在参数量上做到了极致的精简，更在语音的自然度、情感表达及多语言支持上取得了显著突破。对于开发者而言，这意味着在端侧设备部署高质量语音交互成为可能；对于普通用户，则意味着更低门槛的创意工具。以下是对该模型技术细节及实际表现的深入评测。
刚融资数亿元的面壁又发新模型，让歪果仁直呼 Amazing
金磊 发自 凹非寺
AI 技术观察 | 专业评测
终于，郭德纲老师那段堪称地狱难度的贯口——《莽撞人》，被一款免费开源的 2B 国产 AI 模型完美复刻了！
先来听为敬~
△ 图片和音频均为 AI 生成
视频地址：
这段《莽撞人》在业内被公认为难度顶尖，甚至是北影台词课的教科书级范本，不少专业演员面对它都得掂量掂量。
以往 AI 语音模型想要挑战这段贯口，要么语速跟不上，要么咬字含糊、节奏错乱，最关键的是往往缺乏那种抑扬顿挫的“韵味”。
但这一次，AI 通过自行音色设计生成的女声版贯口，不仅节奏拿捏得精准到位，就连百（bē）战百（bē）胜、白（bē）盔白（bē）甲白（bē）旗靠……这些极易出错的特殊发音也全部读对了！
包括近期网络上火爆的沈阳翻译片段，这个免费国产 AI 也能分分钟复刻出男声版：
△ 图片和音频均为 AI 生成
视频地址：
那几个让网友们笑翻了的小词儿：“音乐会儿”、“害有”、啊，国产 AI 把大姨东北话的灵魂捕捉得稳稳当当。
不止是东北话，这个语言模型已经可以 cover九种方言，像四川话版《大话西游》经典名场面，效果是这样的：
（注：九种方言分别是四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南语。）
△ 图片和音频均为 AI 生成
视频地址：
“巴适得板”、“悔得抠脚”、“女娃儿”……
这小味儿确实有点满级四川方言的感觉了，而且还把周星驰原配音的声色给保留了下来。
除了方言加持，这个国产 2B 模型还有一技之长——同一段语音可以用不同国家的语言来演绎！
例如这段原先是中文的《甄嬛传》滴血验亲的名片段，就秒变成了韩语版：
△ 图片和音频均为 AI 生成
视频地址：
不论是语气还是人声，都有点中文原版的那个味道了。
当然，泰语版和西语版，也是手拿把掐：
△ 图片和音频均为 AI 生成
视频地址：
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。
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。
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。
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。
体验地址：
GtiHub 地址：
HuggingFace 地址：
从技术演进的角度来看，VoxCPM 2 的出现标志着开源语音合成技术正在进入一个全新的阶段。传统的端到端模型往往需要在参数量与生成质量之间做出权衡，而通过扩散模型与自回归架构的结合，开发者能够在保持模型轻量化的同时，显著提升语音的自然度与情感表现力。这对于资源受限的边缘计算场景尤为重要，意味着未来智能硬件、车载系统乃至个人终端都能搭载更具“人情味”的语音交互能力。
然而，技术的进步也伴随着挑战。高保真语音克隆能力的普及，使得深伪技术（Deepfake）的风险进一步降低。如何在推动技术开源的同时，建立有效的伦理规范与鉴伪机制，将是行业接下来需要共同面对的问题。对于开发者而言，合理利用此类工具进行创意内容生产，同时尊重声音版权与个人隐私，将是使用该技术的基本准则。总体而言，国产开源模型在全球化竞争中的表现，无疑为技术生态的多样性注入了强劲动力。
