VoxCPM2
VoxCPM2 是由清华大学和 OpenBMB 联合开源的无 Tokenizer 语音合成模型。不同于传统 TTS 模型先将文本转为 token 再生成语音的流程，VoxCPM2 直接从字符映射到音频波形，消除了 Tokenizer 环节带来的信息损失。2B 参数规模，支持 30 种语言、48kHz 录音棚级音质、零样本语音克隆（仅需 3 秒参考音频即可复刻音色）和创意声音设计。GitHub 15K+ stars，是 2026 年最值得关注的开源 TTS 项目之一。与 Voicebox 互补——VoxCPM2 偏重学术创新和无 Tokenizer 架构探索，Voicebox 偏重工程实用和用户体验
🎯适用场景：开源 TTS 研究、中文语音合成、有声书/播客自动化、语音克隆实验、AI 助手语音输出、多语言内容本地化配音
📊 仓库数据
📈 Stars 变化 ↑6 小时 +35· 统计区间 6/28 18:12 → 6/29 00:15（6 小时）
✅ 优点
- •无 Tokenizer 架构：直接从字符到音频，消除中间环节的信息损失
- •零样本语音克隆：仅需 3 秒参考音频即可复刻目标音色
- •支持 30 种语言，中文合成质量尤其出色
- •48kHz 录音棚级音质 + 开源本地部署，数据隐私有保障
- •2B 参数规模适中，消费级 GPU（RTX 3090/4090）即可推理
- •支持创意声音设计：可混合多种音色生成全新声音
⚠️ 限制
- •中文语音质量虽好但英文仍略逊于 ElevenLabs 等商业服务
- •文档和教程较少，上手门槛相对较高
- •实时流式推理能力不如 Voicebox（VoxCPM2 侧重离线批处理）
- •无内置 Web UI，需要自行搭建或使用第三方前端
- •声音克隆涉及伦理和法律风险，需谨慎使用
🔗 相关工具
Voicebox
github.com/jamiepine/voicebox
Voicebox 是开源的语音合成工作室，提供高质量的文本转语音 (TTS) 能力。支持多语言、多音色、情感化语音生成，22,208 stars（周增 5,198 星）。与商业 TTS 服务不同，Voicebox 完全开源可自部署，提供 Web UI 和 API 两种使用方式。支持声音克隆（少量样本即可）、实时流式输出、SSML 标记语言控制韵律和语调，是播客制作、有声书生成、游戏配音和 AI 语音助手的理想选择
🎯播客/有声书自动化、游戏 NPC 配音、AI 语音助手、视频内容配音、无障碍朗读
GPT-SoVITS
github.com/RVC-Boss/GPT-SoVITS
1 分钟数据训练 TTS，56,826+ stars。强大的少样本语音克隆和文本转语音工具，仅需 1 分钟参考音频即可训练出高质量 TTS 模型，支持多语言和中日英三语合成
🎯语音合成与实时语音交互
OpenVoice
github.com/myshell-ai/OpenVoice
MIT 和 MyShell 联合开发的即时语音克隆模型，支持零样本 TTS。只需几秒音频即可克隆声音，跨语言支持英语、中文、日语等
🎯语音内容创作、个性化助手声音、跨语言语音合成
ESPnet
github.com/espnet/espnet
端到端语音处理开源工具包，覆盖语音识别、语音合成、说话人分离、语音翻译和歌声合成等全场景能力
🎯语音识别、TTS 合成、语音翻译等端到端语音应用的研发与部署
MOSS-TTS
github.com/OpenMOSS/MOSS-TTS
OpenMOSS 团队开源的高保真语音生成模型家族，支持语音合成、声音生成和多语言语音
🎯高保真语音合成，适合语音助手、有声内容生成等场景
Real-Time Voice Cloning
github.com/corentinj/real-time-voice-cloning
5 秒语音克隆工具，59,640+ stars。只需 5 秒音频样本即可克隆任意人声，支持实时语音合成，是语音合成和 TTS 领域的里程碑项目
🎯语音合成与实时语音交互