國產免費2B開源語音模型征服《莽撞人》！復刻郭德綱最難貫口

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

終于，郭德綱最難的貫口——《莽撞人》，被免費的2B國產AI給復刻出來了！

來，展示~

△圖片和音頻均為AI生成

視頻地址：
https://mp.weixin.qq.com/s/77mbsD2cSqW8_NIMW6LE2Q

這段《莽撞人》是被公認的難度頂尖，甚至成為北影臺詞課的教科書范本，很多專業演員面對它也是望而卻步。

而之前AI語音模型要復刻這段貫口，要么速度不夠快，要么咬字、節奏錯誤，要么就是莫得感情。

但這一次，AI“無中生有”自行音色設計出來的女聲版貫口，不僅把節奏拿捏到位，甚至連百（bē）戰百（bē）勝、白（bē）盔白（bē）甲白（bē）旗靠……這些特殊發音也是讀對了！

包括這兩天在網上包括的沈陽翻譯片段，這個免費國產AI也是分分鐘能復刻出來男聲版：

△圖片和音頻均為AI生成

視頻地址：
https://mp.weixin.qq.com/s/77mbsD2cSqW8_NIMW6LE2Q

那幾個被網友們笑瘋了的小詞兒：“音樂會兒”、“害有”、啊，國產AI把大姨東北話的靈魂給抓得穩穩的。

不止是東北話，這個語言模型已經可以cover九種方言，像四川話版《大話西游》經典名場面，是這樣的：

（注：九種方言分別是四川話、粵語、吳語、東北話、河南話、陜西話、山東話、天津話、閩南語。）

△圖片和音頻均為AI生成

視頻地址：
https://mp.weixin.qq.com/s/77mbsD2cSqW8_NIMW6LE2Q

“巴適得板”、“悔得摳腳”、“女娃兒”……

這小味兒確實有點滿級四川方言的味道了，而且還把周星馳原配音的聲色給保住了。

除了方言啊，這個國產2B模型還有一技——同一段語音可以用不同國家的語言來演繹！

例如這段原先是中文的《甄嬛傳》滴血驗親的名片段，就秒變成了韓語版：

△圖片和音頻均為AI生成

視頻地址：
https://mp.weixin.qq.com/s/77mbsD2cSqW8_NIMW6LE2Q

不論是語氣還是人聲，都有點中文原版的那個味道了。

當然，泰語版和西語版，也是手拿把掐：

△圖片和音頻均為AI生成

視頻地址：
https://mp.weixin.qq.com/s/77mbsD2cSqW8_NIMW6LE2Q

不僅如此啊，這個語音模型是直接可以cover三十門外語的那種。

來聽一下30種不同風格的“你好”：

如此好玩，還免費開源的國產語音模型，到底是何許AI是也？

不賣關子，它正是面壁智能聯合OpenBMB開源社區、清華大學人機語音交互實驗室新升級的VoxCPM 2。

整體看下來，除了多語種、多方言之外，VoxCPM 2在音色設計、音色可控和高表現力方面也是較為亮眼。

不少歪果仁在VoxCPM 2發布之后就立馬去嘗了下鮮，紛紛表示“自家語言的效果針不戳！”

而且在音質方面，市面一般是24000Hz，但VoxCPM 2這次直接拔高到了48000Hz（CD音質）！

這下子，游戲、動畫、影視、有聲書等領域的人可以說是有福了。

生成只需1秒鐘的語音模型

開源的VoxCPM 2，我們現在就可以在在線體驗的網站上體驗了（地址見文末）：

接下來，我們就一起手把手，搓一個東北話版的《火影忍者》。

首先在界面的左上角，我們上傳一段宋小寶的原聲片段，大概20秒左右：

然后在它的下方，我們填一個“東北話”的指令，再把臺詞寫進要合成的文本里，例如：

擱這兒用穢土轉生跟我嘮嗑，可真夠損的奧。

最后點擊下面的“Generate Speech”按鈕，不到一秒鐘的時間，宋小寶味兒的《火影》宇智波斑的臺詞就誕生了：

接下來，我們只需要配上一小段視頻，齊活兒：

細心的小伙伴可能發現了，剛才宋小寶音頻的demo里其實是有背景雜音的，但到視頻里就沒有了。

這其實是VoxCPM 2的參考音頻降噪功能，只要勾選一下，聲音就會變得清晰：

還有值得注意的是，視頻里二代土影的聲音，是沒有上傳任何參考音頻的情況下生成。

如果你找不到合適的靈感，大可以讓VoxCPM 2自由發揮。

然后如果想克隆聲音的質量有保證，建議上傳的參考音頻盡量大于等于5秒；以及你還可以在“Control Instruction”里面添加提示詞，改變參考聲音的情緒和語速等等。

（但克隆聲音的時候，是不能改變性別的哦~）

除此之外，還有3個小細節：

第一個是文本規范化，這是在你輸入的臺詞里有日期、符號、阿拉伯數字等AI讀不明白的內容時，你就可以點它，讓AI讀得規范起來。

第二個CFG Value，它的作用是用來控制AI的聽話程度，數值越高就越聽你的要求，反之，AI會自由發揮。

第三個就是LocDiT，設置它的步數越高，音頻效果就會越好，但生成的速度就會變慢。

除此之外，臺詞中間停頓的音效，現在可以用[laughing]（笑聲）、[sigh]（嘆氣）、[Uhm]（嗯……）這些標簽來控制：

總而言之，現在要玩兒逼真、有趣的聲音，簡直太簡單了。

怎么做到的？

看到這里，肯定有不少的小伙伴要問了：

只有2B大小，還免費開源的語音模型，到底是怎么做到的？

來，咱們這就扒一波。

首先就是VoxCPM 2走了一條跟市面上大多數模型不太一樣的路線——采用擴散自回歸連續表征（Diffusion Autoregressive Continuous Representation）。

和市面上主流的Token-based傳統方案不同的是，它是基于Tokenizer-Free的TTS系統來做的設計，通過端到端擴散自回歸架構直接生成連續語音表征，實現了隱式語義-聲學的解耦。

簡單來說，傳統方案在語音轉換時極易出現信息損失，而這套技術能最大程度保留原始聲音的聲學細節、情感基調和方言特色。

這也就是它既能完美復刻周星馳配音的聲色，又能把東北話、四川話說得地道入味的核心原因。

與此同時，這款模型的底氣，還來自面壁智能深耕多年的高密度小模型技術壁壘。VoxCPM 2完全基于面壁智能自研的MiniCPM基座打造，延續了系列模型“小身板、大能量”的特質。

此前VoxCPM系列就已經在Hugging Face斬獲超千點贊、5.5k+下載量，這次升級更是把多語種、高保真、音色可控等核心能力拉到了行業新高度。

更難得的是，VoxCPM 2不止開源了完整的模型權重，更提供了從一鍵上手到大規模部署的全套工具鏈，支持原生Torch推理、LoRA及全參數微調，還適配了多端UI擴展，上手使用變得超簡單。

最后回到國產這個點。

放眼全球范圍內，目前除了基座大模型牢牢占據了開源領先地位，在小模型、端側模型上，中國公司也在持續領先。

體驗地址：
https://voxcpm.modelbest.cn/

GtiHub地址：
https://github.com/OpenBMB/VoxCPM/

HuggingFace地址：
https://huggingface.openbmb.com/model/openbmb/VoxCPM2