面壁智能发布语音生成基座“小钢炮”模型 VoxCPM：0.5B 参数号称媲美真人

今天下午，面壁智能宣布“小钢炮”系列迎新：推出 0.5B 参数尺寸的语音生成基座模型 VoxCPM。

该模型由面壁智能与清华大学深圳国际研究生院人机语音交互实验室（THUHCSI）联合研发。官方表示，VoxCPM 在合成语音的自然度、音色相似度及韵律表现力方面均达到了 SOTA 水平。目前，VoxCPM 已在 GitHub、Hugging Face 等平台开源。

根据介绍，在词错率方面，VoxCPM 在 Seed-TTS-EVAL 正常样本下达到极低水平，在困难样本上也取得不错表现。在音色相似度方面，尤其在 Zero-shot 音色克隆任务中，VoxCPM 同样展示出顶尖性能。

面壁智能表示，VoxCPM 无论是文本理解和表达、极少样本的声音复刻、公式及符号音频输出等能力，都展现了出色效果。实际听感上，VoxCPM 生成的语音号称在情绪、音色、口音、停顿、韵律等方面表现“与真人无异”。

VoxCPM 可根据对文本内容的超强理解，自主选择合适的声音、腔调、韵律风格生成音频，带来“声”临其境的听觉体验。