3.7 万星的本地语音克隆：像不像赢了 22 项，准不准只赢 2 项

#VoxCPM2#语音克隆#本地模型#Apache2.0#TTS

这一族里少见的许可干净的一份：代码和权重都走 Apache-2.0，README 的亮点清单里直接写着 free for commercial use。但有两个前提得先摆上来 —— 它的头条速度数字是按 RTX 4090 量出来的，而 pip install 拿到的是 5 月 11 日那版，不是仓库现在这版。

前面写过的那个本地语音 GUI（VoiceStudio），是把模型套在一层壳里：应用 AGPL-3.0、默认权重 CC-BY-NC，本地跑通不等于能拿去商用。这次回到模型本身。它自己是什么许可、在不是 4090 的机器上能跑多快、装到的是哪一版，才是决定你要不要在这个上面搭产品的东西。

这个项目是什么

VoxCPM2 来自 OpenBMB，一个组织账号而不是个人仓库。GitHub 上 37,107 star、4,215 fork、117 个未关 issue。按 API 的 subscribers_count 算，star 与 watcher 的比例是 226:1 —— 收藏它的人很多，订阅它动态的人很少；未关 issue 对 star 的比值是 0.32%。

它冲着语音合成那条主流路线来的：主流做法先把语音切成离散 token 再建模，VoxCPM 不做 tokenization，直接在连续语音表示上生成，走 diffusion autoregressive 的路子。VoxCPM2 是 2B 参数、官方自述用 200 万小时以上多语种数据训练、30 种语言、48kHz 输出；语言模型底座是 MiniCPM-4，整条链路压成四段：LocEnc → TSLM → RALM → LocDiT。

五种用法，一种比一种重

它把语音这件事拆成了四档加一个流式接口，分档依据是你要给它多少东西：

用法	你给它什么	它做什么
直接合成	一段文字	30 种语言直接读，不用加语言标签
Voice Design	一句自然语言描述	从零造一个音色，不需要参考音频
Controllable Cloning	参考音频，可选加风格指令	克隆音色，同时改情绪、语速、表达
Ultimate Cloning	参考音频加它的逐字转写	从参考音频续写，保留音色、节奏、情绪
流式	一段文字	generate_streaming 逐块吐，用来做实时对话

▪48kHz 输出这条路是它自己走的：接受 16kHz 参考音频，靠 AudioVAE V2 的非对称编解码直接出 48kHz，内置超分，官方说不需要任何外挂升采样器
▪30 种语言之外另有 9 种中文方言：四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南话
▪微调两条路都给：SFT 和 LoRA，官方说自己准备 5 到 10 分钟音频就能适配一个特定说话人
▪生态表里 13 个第三方项目，从 Nano-vLLM、vLLM-Omni、llama.cpp-omni 到 ONNX、Apple Neural Engine、Rust 重写、三个 ComfyUI 节点、视频配音翻译都有 —— 但 README 自己标注了这些社区项目不由 OpenBMB 维护

一个仓库里同时活着三代模型

它的 README 用三档状态把三个版本并排列出来：

	VoxCPM2	VoxCPM1.5	VoxCPM-0.5B
官方状态	Latest	Stable	Legacy
主干参数	2B	0.6B	0.5B
输出采样率	48kHz	44.1kHz	16kHz
语言	30	2	2
克隆模式	隔离参考 + 续写	仅续写	仅续写
显存	约 8 GB	约 6 GB	约 5 GB

这三代不是躺在 git 历史里，是躺在根目录里。v2 的模型实现 54,715 字节和 v1 的 43,178 字节并排放；两代音频 VAE 一起在，19,201 对 10,871（1.77 倍）；conf/ 下三套微调配置各一份；连 Web Demo 都留了个 app_old.py（12,572 字节）在 app.py（24,384 字节）旁边。

顺带一处对不上的地方：同一个 VoxCPM1.5，在版本表里主干参数写 0.6B，在下面那张 Seed-TTS-eval 基准表里写 0.8B；而名字里带着 0.5B 的那个，基准表里又写成 0.6B。两张表都没跟着对方改。

上手：README 原文命令

最省事的一行就是包管理器：

pip install voxcpm

然后是最短的 Python 调用，照着 README 的 Quick Start 抄：

from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
  "openbmb/VoxCPM2",
  load_denoiser=False,
)

wav = model.generate(
    text="VoxCPM2 is the current recommended release for realistic multilingual speech synthesis.",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)

不想写代码就走 CLI，这条克隆命令也是 README 原文：

voxcpm clone \
  --text "This is a voice cloning demo." \
  --reference-audio path/to/voice.wav \
  --output out.wav

代码一直在动，版本停在 114 天前

GitHub 上 14 个 tag、14 个 Release，PyPI 上 14 个版本 —— 三处数字完全对得上。三处的最新一个也都是 2.0.3，2026-05-11。

而仓库最后一次推送是 2026-09-02，中间隔着 114 天。GitHub 的 compare 接口给的是 total_commits: 33、ahead_by: 33、behind_by: 0 —— 33 个提交全部在 tag 前面，一个都没落后。

这 33 个提交里有实东西：可复现生成的 seed（PR #327）、生成后时间戳对齐（PR #332）、LoRA 配置自动加载（PR #329）、Docker 部署与反代流式（PR #380）、Mac MPS 支持（PR #298）、本地推理引擎文档（PR #348）、checkpoint 加载加固（PR #347）。

原因写在一个 1,302 字节的工作流文件里 ——

on:
  release:
    types: [created]

发版动作绑在 Release 被创建这个事件上，不是绑在打 tag 上。没人去点那个按钮，PyPI 就停在 5 月 11 日。配套还有两件事：14 个 Release 的 assets 全都是空数组，一个二进制附件都没有，装它只能走包管理器或者源码；而 pyproject.toml 里版本号是动态的，靠 setuptools_scm 从 git tag 反推。所以你要么等有人建 Release，要么直接从源码装。

它自己的性能表里，赢的是哪一列

README 里那张 MiniMax-MLS-test 表按语言列了 24 行，两列指标：WER 是念得对不对，SIM 是像不像。我把两列的加粗逐个点过一遍，结果是 WER 表里它只在 2 行最优（芬兰语 2.632、泰语 2.961），而 SIM 表里它是 22 行最优，只有捷克语和罗马尼亚语旁落。

语言	VoxCPM2 的 WER	同行最好	差多少
芬兰语	2.632	2.632（它自己）	——
泰语	2.961	2.961（它自己）	——
印地语	19.699	5.827	3.4 倍
乌克兰语	6.316	0.997	6.3 倍
阿拉伯语	13.046	1.665	7.8 倍
捷克语	24.132	2.108	11.4 倍
罗马尼亚语	21.577	1.347	16.0 倍

直接说结论：音色这件事它做到了第一档，但念得准这件事在相当多语言上排在后面。做配音、做有声书的人不太受影响，因为人耳听的是像不像；做电话客服、做播客转写回环的人，这几行就是硬伤。

还有一张它自己跑的内部 30 语言基准，均值 1.68%。但那张表的对比列只填了一半：VoxCPM2 一列有均值，对手那格是空的 —— 这个 1.68% 目前没有同行参照。

许可：代码和权重同一套 Apache-2.0

这是它相对前面那份本地语音 GUI 最实在的差异。

▪LICENSE 是 11,298 字节的标准 Apache-2.0 全文，附录里填的是 Copyright OpenBMB，尾部没有任何追加条款
▪README 两处写明：亮点清单里写代码与权重都在 Apache-2.0 下、可免费商用；License 一节写 model weights and code are open-sourced under the Apache-2.0 license
▪pyproject.toml 里写 license = "Apache-2.0"，与上面两处一致
▪对比：前面写过的 VoiceStudio 是 AGPL-3.0 应用加默认 CC-BY-NC 权重，本地跑不等于能商用。这一份代码和权重是同一套许可，商用这条路是通的

三个未核实项要说清：模型权重放在 HuggingFace 与 ModelScope 上，本轮抓取不到，没纳入核实范围，相关结论一律没写进正文；llama.cpp-omni 用的 GGUF 权重挂在第三方账号下，不是 OpenBMB 自己发布的；PyPI 上 2.0.3 的元数据里许可字段是空的，是旧版打包没带上。另外 README 的 Risks 一节写着严禁用于冒充、欺诈与虚假信息 —— 那是伦理声明，不是许可证。

我的判断

适合谁：要在自己机器上跑语音克隆、并且打算拿去做商用的人；做中文内容的，因为 30 种语言里有中文加 9 种方言；需要原创音色但手上没有参考音频的，Voice Design 那一档不需要任何音频输入；手上有 8GB 以上显存，或者愿意走 llama.cpp-omni 上 Mac 的。

不适合谁：显存 8GB 以下的；要做阿拉伯语、捷克语、罗马尼亚语、印地语这类语言的，它在那种表里排在后面；要一次生成就定稿的，官方自己写了可控克隆与音色设计每次结果会有起伏，可能得生成 1 到 3 次；以及只想 pip 装完就用上最新特性的人。

上手之前，这四处值得先看清楚：

▪pip install voxcpm 装到的是 2.0.3，5 月 11 日上传；仓库已经往前走了 33 个提交
▪头条那个 RTF 0.3 是 RTX 4090 的数字，同一份 README 里 Apple M4 Pro 走 Metal 是 1.76，差 5.9 倍；跟 Nano-VLLM 的 0.13 比是 13.5 倍。安装要求那行只提 CUDA，没提 MPS
▪python app.py 的 --host 默认是 0.0.0.0，而源码里这个参数的说明自己就写着这个默认会把无鉴权的 UI 与 API 暴露到网络上；README 的 Web Demo 一节只给了 --port，全文没出现过 --host、0.0.0.0 和鉴权字样
▪README 要求 Python 3.10 到 3.12（原文写 <3.13），而 pyproject.toml 和 PyPI 的元数据都只写 >=3.10，上界没落进元数据里

仓库：github.com/OpenBMB/VoxCPM（https://github.com/OpenBMB/VoxCPM）

Star：37,107（REST API，2026-09-14 抓取）；Trending 日榜同期显示 37,192、今日 +204

Fork 4,215 · 未关 issue 117 · watcher 164 · 仓库 size 4,120 KB · Python · 默认分支 main · 未归档

许可：Apache-2.0，覆盖代码与权重（LICENSE 11,298 字节标准全文，无追加条款）；HuggingFace 与 ModelScope 上的权重页本轮抓取失败，未纳入核实范围

版本：最新 Release 与最新 PyPI 版本均为 2.0.3（2026-05-11）；14 个 tag / 14 个 Release / 14 个 PyPI 版本，Release 附件全为空

体量：文件级合计约 5.68 MB，其中图片与两段示例音频占 72.0%，uv.lock 占 18.5%，代码约占 7.9%

抓取时间：2026-09-14

想在本地跑语音克隆、又在意许可的人，这一份的许可是这十几期里最干净的一份之一；但别只看 README 的头条数字，先把 pip 拿到的版本号对一遍。已经在跑 VoxCPM2 的，说说你在什么机器上、RTF 是多少 —— 那比一张只有一个硬件锚点的性能表有用。

下期预告：短视频方向，继续按方向的实时榜单找没写过的新面孔；更早预告过的开源替代 SaaS 合集不在给定方向内，继续欠着。

#VoxCPM2#语音克隆#本地模型#Apache2.0#TTS