0.5B 的“小钢炮”：VoxCPM 介绍与横评
署名：电动面包
想做声音克隆，但不想在一堆模型里迷路？最近面壁智能把 VoxCPM 开源了：一个免分词的 TTS / 声音克隆模型，主打中英双语、几秒参考音频就能克隆、还能流式合成。代码和权重都放出来了，装个包就能跑。(GitHub)
它厉害在哪：
- 免分词直出语音：不是把语音先切成离散 token 再拼回去，而是直接在连续空间里生成；底座是 MiniCPM-4 的 0.5B 版本。(GitHub)
- 真·零样本克隆：丢一段短参考音频就能复刻音色、口音、情绪与节奏。(GitHub)
- 跑得快：流式合成在消费级 4090 上能做到 RTF≈0.17，做实时应用不心虚。(GitHub)
- 开源宽松：代码和权重 Apache-2.0。(Hugging Face)
怎么用（超短版）：pip install voxcpm 装好，命令行或 Python API 直接用；仓库里还带了一个简单的 Web Demo。(GitHub)
跟主流开源声音克隆怎么比？
-
Coqui XTTS-v2（经典老牌）：
6 秒参考就能跨语言克隆，官方列了 16 种语言；社区成熟、生态多。注意许可是 Coqui Public Model License（非 Apache/MIT）。适合要多语、要稳的场景。(Hugging Face) -
OpenVoice（MyShell/MIT 合作）：
MIT 许可（可商用），V2 原生支持中英日韩西法，风格参数（情绪/停顿/节奏）可控，跨语种零样本也行。上手门槛低，落地产品多。(GitHub) -
CosyVoice 2.x（FunAudioLLM/阿里系开源）：
多语 + 方言，跨语种零样本与混合语码，还支持双向流式，首包延迟最低可到 ≈150ms；Apache-2.0。对中文场景和实时性很友好。(GitHub) -
Fish-Speech → OpenAudio-S1：
品质高，提供情感与风格控制；代码 Apache-2.0，但权重 CC-BY-NC-SA（非商用），要做商业请看清许可。(GitHub) -
GPT-SoVITS（中文圈热度王）：
5 秒零样本可用，1 分钟微调相似度更像，支持中/英/日/韩/粤等跨语合成；社区工具链极多，更新勤。许可与整合包要按发行版查看。(GitHub)
一眼结论：
- 你要**“小而精 + 中英双语 + 速度在线 + 宽松许可”**：选 VoxCPM。(GitHub)
- 你要多语言覆盖（十几种以上）：选 XTTS-v2。(Hugging Face)
- 你要风格可控 + 可商用且跨语种：选 OpenVoice。(GitHub)
- 你要中文/方言 + 低延迟流式：选 CosyVoice 2.x。(GitHub)
- 你要极强社区与微调生态：选 GPT-SoVITS（注意不同发行版的许可）。(GitHub)
VoxCPM 的三点落地提醒
- 硬件：4090 能“超实时”；更小显卡/CPU 也能跑，但速度取决于你的设备。(GitHub)
- 依赖下载：官方 Demo 里会用到 ModelScope 的 ZipEnhancer 和 SenseVoice-Small，首跑可能会连 ModelScope 拉模型，这属于正常行为。(GitHub)
- 模型来源：GitHub/Hugging Face/ModelScope 都同步，国内访问友好。(GitHub)
快速入口
GitHub：OpenBMB/VoxCPM
Hugging Face：openbmb/VoxCPM-0.5B
ModelScope：OpenBMB/VoxCPM-0.5B
（上面三处均含代码、权重与在线体验/示例。）(GitHub)
—— 电动面包
语音克隆模型VoxCPM是面壁智能开源项目，核心地址如下： GitHub源码库：github.com/OpenBMB/VoxCPM Hugging Face模型页：huggingface.co/openbmb/VoxCPM-0.5B 国内镜像站：modelscope.cn/models/OpenBMB/VoxCPM-0.5B 模型支持中英双语，0.5B参数规模，家用电脑就能跑。这几个链接包含了代码、模型权重和在线演示入口，可以直接访问使用。
