OpenBMB/VoxCPM

これは何？

主な機能

• 01言語タグなしで、複数の中国語方言を含む30言語の音声合成に対応。
• 02性別、年齢、声のトーンなどのテキスト説明から音声を設計。
• 03短い参照音声から音声をクローンでき、スタイルや感情の制御も可能。
• 0416kHzの参照音声から48kHzの音声を出力。
• 05Python API、CLI、Webデモからストリーミング生成が可能。
• 06フルファインチューニングとLoRAファインチューニングに対応。

ユースケース

• 台本から多言語のボイスオーバーやナレーションを生成する。
• ゲーム、動画、バーチャルアシスタント向けのオリジナルキャラクターボイスを作成する。
• クローンした話者の声を使って、動画コンテンツを吹き替えたりローカライズしたりする。
• llama.cpp-omniを使い、デバイス上でオフライン音声合成を実行する。

クイックスタート

1. 1

   pipでパッケージをインストールする

   pip install voxcpm
2. 2

   モデルを読み込み、Pythonから音声を生成する

3. 3

   または、ローカルのWebデモを起動する

   python app.py --port 8808

使う前に知っておきたいこと

• !READMEに記載されたセットアップには、Python 3.10以上3.13未満、PyTorch 2.5以降、CUDA 12.0以降が必要です。
• !高品質な推論にはGPUが適しています。READMEに記載のリアルタイム係数は、NVIDIA RTX 4090で測定されたものです。
• !モデルは20億パラメータで、Hugging FaceまたはModelScopeから大容量のダウンロードが必要です。

トピック

よくある質問

VoxCPM とは？

VoxCPM2は、30言語に対応し、テキストの説明からの音声設計や短い参照音声からの音声クローンが可能な、オープンソースのトークナイザーフリー音声合成モデルです。 VoxCPM2はOpenBMBが開発した音声合成システムです。離散トークンではなく、拡散自己回帰アーキテクチャで連続的な音声表現を生成します。MiniCPM-4をバックボーンとする20億パラメーターのモデルで、48kHzの音声を出力します。

VoxCPM は無料で使えますか？ライセンスは？

VoxCPM は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

VoxCPM は今もメンテナンスされていますか？

活発にメンテナンス中。VoxCPM の最終コミットは 2026年10月8日 です。

VoxCPM は何に使えますか？

台本から多言語のボイスオーバーやナレーションを生成する。 ゲーム、動画、バーチャルアシスタント向けのオリジナルキャラクターボイスを作成する。 クローンした話者の声を使って、動画コンテンツを吹き替えたりローカライズしたりする。 llama.cpp-omniを使い、デバイス上でオフライン音声合成を実行する。

VoxCPM のインストール方法は？

pipでパッケージをインストールする: pip install voxcpm モデルを読み込み、Pythonから音声を生成する または、ローカルのWebデモを起動する: python app.py --port 8808

VoxCPM はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/OpenBMB/VoxCPM