VoxCPM 1.0¶
发布日期： 2025 年 9 月 16 日
参数量： 600M
采样率： 16kHz
备注
VoxCPM 1.0 为延续基线版本，用于兼容与历史参照。
概览¶
VoxCPM 是一种新颖的无分词器文本转语音（TTS）系统，在语音合成的真实感上做了重新定义。通过在连续空间中建模语音，它突破离散分词的局限，并具备两大核心能力：上下文感知语音生成与逼真的零样本声音克隆。
与将语音转为离散 token 的主流方法不同，VoxCPM 采用端到端扩散自回归架构，从文本直接生成连续语音表示。以 MiniCPM-4 为骨干，结合分层语言建模与 FSQ 约束，实现隐式的语义–声学解耦，显著提升表现力与生成稳定性。
模型架构¶
开始使用¶
安装、加载与通用 generate() 流程请从 快速开始 开始。
若你明确需要原始 0.5B VoxCPM 发布版且输出为 16kHz，请使用该 checkpoint。
基准表现¶
VoxCPM 在公开零样本 TTS 基准上取得有竞争力的结果：
Seed-TTS-eval 基准测试¶
模型 |
参数量 |
开源 |
test-EN |
test-ZH |
test-Hard |
|||
|---|---|---|---|---|---|---|---|---|
/ |
WER/%⬇ |
SIM/%⬆ |
CER/%⬇ |
SIM/%⬆ |
CER/%⬇ |
SIM/%⬆ |
||
MegaTTS3 |
0.5B |
❌ |
2.79 |
77.1 |
1.52 |
79.0 |
/ |
/ |
DiTAR |
0.6B |
❌ |
1.69 |
73.5 |
1.02 |
75.3 |
/ |
/ |
CosyVoice3 |
0.5B |
❌ |
2.02 |
71.8 |
1.16 |
78.0 |
6.08 |
75.8 |
CosyVoice3 |
1.5B |
❌ |
2.22 |
72.0 |
1.12 |
78.1 |
5.83 |
75.8 |
Seed-TTS |
/ |
❌ |
2.25 |
76.2 |
1.12 |
79.6 |
7.59 |
77.6 |
MiniMax-Speech |
/ |
❌ |
1.65 |
69.2 |
0.83 |
78.3 |
/ |
/ |
CosyVoice |
0.3B |
✅ |
4.29 |
60.9 |
3.63 |
72.3 |
11.75 |
70.9 |
CosyVoice2 |
0.5B |
✅ |
3.09 |
65.9 |
1.38 |
75.7 |
6.83 |
72.4 |
F5-TTS |
0.3B |
✅ |
2.00 |
67.0 |
1.53 |
76.0 |
8.67 |
71.3 |
SparkTTS |
0.5B |
✅ |
3.14 |
57.3 |
1.54 |
66.0 |
/ |
/ |
FireRedTTS |
0.5B |
✅ |
3.82 |
46.0 |
1.51 |
63.5 |
17.45 |
62.1 |
FireRedTTS-2 |
1.5B |
✅ |
1.95 |
66.5 |
1.14 |
73.6 |
/ |
/ |
Qwen2.5-Omni |
7B |
✅ |
2.72 |
63.2 |
1.70 |
75.2 |
7.97 |
74.7 |
OpenAudio-s1-mini |
0.5B |
✅ |
1.94 |
55.0 |
1.18 |
68.5 |
/ |
/ |
IndexTTS2 |
1.5B |
✅ |
2.23 |
70.6 |
1.03 |
76.5 |
/ |
/ |
VibeVoice |
1.5B |
✅ |
3.04 |
68.9 |
1.16 |
74.4 |
/ |
/ |
HiggsAudio-v2 |
3B |
✅ |
2.44 |
67.7 |
1.50 |
74.0 |
/ |
/ |
VoxCPM |
0.5B |
✅ |
1.85 |
72.9 |
0.93 |
77.2 |
8.87 |
73.0 |
CV3-eval 基准测试¶
模型 |
zh |
en |
hard/zh |
hard/en |
||||
|---|---|---|---|---|---|---|---|---|
/ |
CER/%⬇ |
WER/%⬇ |
CER/%⬇ |
SIM/%⬆ |
DNSMOS⬆ |
WER/%⬇ |
SIM/%⬆ |
DNSMOS⬆ |
F5-TTS |
5.47 |
8.90 |
/ |
/ |
/ |
/ |
/ |
/ |
SparkTTS |
5.15 |
11.0 |
/ |
/ |
/ |
/ |
/ |
/ |
GPT-SoVits |
7.34 |
12.5 |
/ |
/ |
/ |
/ |
/ |
/ |
CosyVoice2 |
4.08 |
6.32 |
12.58 |
72.6 |
3.81 |
11.96 |
66.7 |
3.95 |
OpenAudio-s1-mini |
4.00 |
5.54 |
18.1 |
58.2 |
3.77 |
12.4 |
55.7 |
3.89 |
IndexTTS2 |
3.58 |
4.45 |
12.8 |
74.6 |
3.65 |
/ |
/ |
/ |
HiggsAudio-v2 |
9.54 |
7.89 |
41.0 |
60.2 |
3.39 |
10.3 |
61.8 |
3.68 |
CosyVoice3-0.5B |
3.89 |
5.24 |
14.15 |
78.6 |
3.75 |
9.04 |
75.9 |
3.92 |
CosyVoice3-1.5B |
3.91 |
4.99 |
9.77 |
78.5 |
3.79 |
10.55 |
76.1 |
3.95 |
VoxCPM |
3.40 |
4.04 |
12.9 |
66.1 |
3.59 |
7.89 |
64.3 |
3.74 |