@hisevenih: Ai语音圈直接炸锅了。 这个 GitHub 开源黑科技，把 AI 语音做到了离谱的程度， 真正实现了：一句话，一个声音。 记住这个项目名字：VoxCPM2 它在 GitHub 已经拿下了 20K Star。 最夸张的是， 它甚至无需参考音…
摘要
GitHub 开源项目 VoxCPM2 实现了无需参考音频的 AI 语音克隆，仅需一句话即可精准生成目标声线，已获 20K Star。
查看缓存全文
缓存时间: 2026/05/29 10:02
Ai语音圈直接炸锅了。 这个 GitHub 开源黑科技，把 AI 语音做到了离谱的程度， 真正实现了：一句话，一个声音。
记住这个项目名字：VoxCPM2 它在 GitHub 已经拿下了 20K Star。
最夸张的是， 它甚至无需参考音频， 只需要告诉 AI 你的想法， 它就能精准生成你想要的声线。 https://t.co/2GvQ4K8m3I
相似文章
@denziideng: 又发现一个AI语音克隆“降维打击”…… 之前分享的 CosyVoice 3秒可克隆，觉得已经够吓人了，结果今天这个更要命，随便录了1分钟自己的声音训练后，它直接把声线、语气、情感、呼吸、停顿全部复刻，简直像本人灵魂附体！ 阿里达摩院的 C…
GPT-SoVITS 是一款开源 AI 语音克隆工具，支持零样本（5秒声音）和少样本（1分钟训练）高保真声音克隆，跨语言推理，并自带完整 WebUI 工具链，在 GitHub 上已获 57.8k 星，成为语音克隆领域的领先开源项目。
@Honcia13: 开源TTS直接卷疯了！园区诈骗又有新武器？ 清华 OpenBMB 刚刚放出 VoxCPM2： 200亿参数 + 200万小时多语言数据训练，48kHz录音棚级音质！ 最狠的是——完全不用Tokenizer，直接在连续潜空间做扩散自回归，细…
清华大学 OpenBMB 发布了 VoxCPM2，这是一个拥有 200 亿参数的开源多语言 TTS 模型，支持无需 Tokenizer 的连续潜空间扩散自回归生成，具备 48kHz 录音棚级音质和强大的声音克隆与设计能力。
@uniswap12: 微软开源了一个语音 AI，60 分钟长音频一次转写，4 个人同时说话都能搞定 VibeVoice，微软开源，24.8k star，今天才知道这个。录音一键转文字这件事，我之前一直用 Whisper，但它处理长会议录音经常超时，多人说话识别…
微软开源了语音AI框架VibeVoice，支持60分钟长音频一次性转写、多说话人分离和时间戳标注，同时提供多角色TTS合成能力，底层基于Qwen2.5并配有0.5B轻量实时版本，已在GitHub获得24.8k星标。
@MaxForAI: 如果你在做语音Agent，你应该试一下这个项目 来自南洋理工、新国立和上海 AI Lab的团队发布了：Mega-ASR 这个完全开源的ASR基于 Qwen3-ASR构建，目的是打破长期困扰ASR的在嘈杂、混响或其他受损现实环境中表现的瓶颈…
南洋理工、新国立和上海 AI Lab 联合发布 Mega-ASR，一个基于 Qwen3-ASR 构建的完全开源 ASR 模型，通过 Voices-in-the-Wild-2M 数据集和渐进式声学到语义优化，在真实世界嘈杂环境中实现最高 30% 的相对词错误率下降，且仅 1.7B 参数可在消费级硬件高效推理。
@yhslgg: 老杨再特么分享一个宝藏开源工具——KrillinAI，GitHub 10000 星，做多语言音视频内容的绝对值得看！ 一句话：从视频下载到字幕翻译、AI配音、视频合成，整条链路全包，还能自动生成平台封面，B站、抖音、小红书、YouTube…
KrillinAI 是一款开源工具，整合了视频下载、字幕翻译、AI配音、视频合成全流程，支持上下文感知翻译、语音克隆、自动布局和封面生成，兼容多种AI模型，适合多语言音视频内容创作与分发。