VoxCPM2
使用 OpenBMB 的 VoxCPM2 文字轉語音模型，合成跨 30 種語言的富有表現力的 48 kHz 語音。
VoxCPM2 是一個 2B 參數的多語言語音模型，支援聲音複製、逐字稿輔助的 Ultimate Cloning 與自然語言 Voice Design。TomoriBot 透過 servers/tts/voxcpm2/ 中的伺服器連接至官方 voxcpm Python 函式庫，在 16 GB VRAM 內舒適執行官方未量化的 openbmb/VoxCPM2 BF16 檢查點。
VoxCPM2 程式碼與模型權重均在 Apache-2.0 授權條款下發布，包含遵循條款的商業用途。TomoriBot 不重新散布模型權重；安裝程式會直接從官方 Hugging Face 存放庫下載。
官方上游資源：
VoxCPM2 官方支援 30 種語言且不需要指定語言標籤：
阿拉伯語、緬甸語、中文、丹麥語、荷蘭語、英語、芬蘭語、法語、德語、希臘語、希伯來語、印地語、印尼語、義大利語、日語、高棉語、韓語、寮語、馬來語、挪威語、波蘭語、葡萄牙語、俄語、西班牙語、史瓦希里語、瑞典語、他加祿語、泰語、土耳其語與越南語。
OpenBMB 亦記錄了多種中文方言。TomoriBot 仍可能為了符合通用的 TTS 協定而發送 language 欄位，但 VoxCPM2 會從合成文字中偵測語言，且包裝器不會強制加上語言標籤。
聲音複製與語音設計請使用 自動 與 純文字 標記。參考逐字稿可啟用 Ultimate Cloning；發音風格指示具有較高優先權，且在該次請求中會省略逐字稿。
硬體與執行時期
Section titled “硬體與執行時期”建議起點規格：
- Python 3.10 到 3.12
- 官方 BF16 執行時期建議配備 8 GB VRAM 或以上的 NVIDIA GPU；12 到 16 GB 具備舒適的餘裕
- 最新的 NVIDIA 驅動程式以及支援 CUDA 的 PyTorch 組建以進行 GPU 加速
- 支援 CPU 作為備援，但速度大幅放緩
官方套件亦提供 CPU 與 Apple MPS 裝置選取。在 Windows 上的 TomoriBot 可以原生執行標準 Python 套件；不需要 WSL。Windows PowerShell 安裝程式會安裝支援 CUDA 的 PyTorch 2.10（cu128）與 triton-windows，供預設的 VOXCPM2_OPTIMIZE=1 編譯模型使用。
啟用編譯時，首次啟動需要約 2 到 3 分鐘讓 PyTorch 編譯模型，後續啟動由於已快取編譯好的 kernel，只需不到一分鐘。合成速度會比未編譯時快約 2.5 到 3 倍。編譯也會多消耗約 2 GB 的系統記憶體。若伺服器停止並顯示缺少 Triton 的訊息，請重新執行安裝程式，或是設定 VOXCPM2_OPTIMIZE=0 以未編譯模式執行。
若要在純 CPU 機器上明確安裝，請傳入 -Cpu 參數：
.\servers\tts\voxcpm2\install-voxcpm2.ps1 -Cpu若你原生 Windows 的 PyTorch 安裝需要手動重新安裝或重新對齊驅動程式，請直接將支援 CUDA 的 PyTorch 組建安裝至伺服器的虛擬環境中：
.\servers\tts\voxcpm2\.venv\Scripts\pip.exe install --force-reinstall torch==2.10.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cu128.\servers\tts\voxcpm2\.venv\Scripts\pip.exe install "triton-windows>=3.6,<3.7"伺服器固定目前的穩定版 voxcpm 2.0.3 套件，並將 openbmb/VoxCPM2 下載至一般的 Hugging Face 快取中。
Linux 與 WSL Bash
Section titled “Linux 與 WSL Bash”從 TomoriBot 存放庫根目錄執行：
bash servers/tts/voxcpm2/install-voxcpm2.shservers/tts/voxcpm2/.venv/bin/python servers/tts/voxcpm2/server.pyWindows PowerShell
Section titled “Windows PowerShell”從 TomoriBot 存放庫根目錄執行：
.\servers\tts\voxcpm2\install-voxcpm2.ps1.\servers\tts\voxcpm2\.venv\Scripts\python.exe servers\tts\voxcpm2\server.py首次設定會下載數 GB 的模型權重。若要僅安裝 Python 環境而不預先擷取模型，請設定 VOXCPM2_PREFETCH=0；官方函式庫會在伺服器首次啟動時下載檢查點。
Linux 與 WSL：
VOXCPM2_PREFETCH=0 bash servers/tts/voxcpm2/install-voxcpm2.shPowerShell：
$env:VOXCPM2_PREFETCH = "0".\servers\tts\voxcpm2\install-voxcpm2.ps1設定完成後，bun run launch --voxcpm2 可與 TomoriBot 一同啟動伺服器。預設端點為 http://127.0.0.1:8016。
在 TomoriBot 中註冊
Section titled “在 TomoriBot 中註冊”執行 /providers，選擇 + 新增自訂端點，並設定 Speech 端點：
- Capability：
Speech - API Compatibility：
tts-clone - Endpoint URL：
http://127.0.0.1:8016 - 語音來源模式：
Auto - Script Markup：
Plain - Supports Instruct：
Yes
儲存連線後，選取它並使用其模型下拉選單新增 Speech 模型。接著開啟 /config > 模型 > 切換模型 並選取 VoxCPM2 語音模型。
建議使用 Auto，因為同一伺服器支援參考音訊複製與 Voice Design。你不需要為兩種模式啟動各自獨立的 VoxCPM2 行程。
人格聲音複製
Section titled “人格聲音複製”適用於需要複製既有講者的人格：
- 準備一段乾淨的參考音訊，單一講者且背景音樂極少或無背景音樂。上游將 5 到 30 秒視為實用範圍。
- 在
/config的 模型 > TTS 參數與語音 底下上傳該音訊。 - 若有對應的參考音訊逐字稿請一併加入。VoxCPM2 會將其用於 Ultimate Cloning，並能重現更多參考音訊的節奏、情緒與風格。
- 在
/config的 人格 > 語音 底下選擇人格並指派已儲存的樣本。
若未儲存逐字稿，VoxCPM2 仍會執行一般的參考音訊複製。
人格語音設計
Section titled “人格語音設計”適用於從書面語音描述而非音訊樣本建立的人格：
- 開啟
/config底下的 人格 > 語音，並選擇 VoiceDesign。 - 選擇人格。
- 輸入自然語言描述，例如
Young adult woman, soft warm voice, relaxed pace, slightly playful delivery。
對於已複製的語音，單次的發音風格指示優先於參考逐字稿。
| 變數 | 預設值 | 用途 |
|---|---|---|
VOXCPM2_MODEL_ID | openbmb/VoxCPM2 | Hugging Face 模型 ID 或本機模型目錄 |
VOXCPM2_DEVICE | auto | 執行時期裝置：auto、cuda、cuda:N、cpu 或 mps |
VOXCPM2_OPTIMIZE | 1 | 在 CUDA 上使用 torch.compile 編譯模型；需要 Triton，若缺少則伺服器會在啟動時停止 |
VOXCPM2_LOAD_DENOISER | 0 | 載入選用的上游降噪器；預設停用以節省記憶體 |
VOXCPM2_CFG_VALUE | 2.0 | 引導強度 |
VOXCPM2_INFERENCE_TIMESTEPS | 10 | Flow-matching 推論步數；更多步數可提升品質，但會犧牲速度 |
VOXCPM2_MAX_LEN | 4096 | 最大生成長度 |
VOXCPM2_NORMALIZE | 0 | 啟用上游文字正規化 |
VOXCPM2_RETRY_BADCASE | 1 | 為異常生成啟用上游重試行為 |
VOXCPM2_RETRY_BADCASE_MAX_TIMES | 3 | 最大自動重試次數 |
VOXCPM2_RETRY_BADCASE_RATIO_THRESHOLD | 6.0 | 上游瑕疵案例長度門檻值 |
VOXCPM2_PREFETCH | 1 | 僅安裝程式：設定時下載模型 |
VOXCPM2_PORT | 8016 | VoxCPM2 本機伺服器連接埠 |
TOMORI_TTS_HOST | 127.0.0.1 | 本機伺服器繫結位址；請參閱網路存取 |
參考音訊必須為解碼後不超過 10 MB 的非空 WAV 容器，包裝器會在寫入暫存檔前進行檢查。