金磊 發(fā)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(chǎn)AI給復(fù)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(yè)演員面對它也是望而卻步。

而之前AI語音模型要復(fù)刻這段貫口，要么速度不夠快，要么咬字、節(jié)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(shè)計出來的女聲版貫口，不僅把節(jié)奏拿捏到位，甚至連百（bē）戰(zhàn)百（bē）勝、白（bē）盔白（bē）甲白（bē）旗靠……這些特殊發(fā)音也是讀對了！

包括這兩天在網(wǎng)上包括的沈陽翻譯片段，這個免費國產(chǎn)AI也是分分鐘能復(fù)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(wǎng)友們笑瘋了的小詞兒：“音樂會兒”、“害有”、啊，國產(chǎn)AI把大姨東北話的靈魂給抓得穩(wěn)穩(wěn)的。

不止是東北話，這個語言模型已經(jīng)可以cover九種方言，像四川話版《大話西游》經(jīng)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(chǎn)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(dāng)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(fēng)格的“你好”：

如此好玩，還免費開源的國產(chǎn)語音模型，到底是何許AI是也？

不賣關(guān)子，它正是面壁智能聯(lián)合OpenBMB開源社區(qū)、清華大學(xué)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(shè)計、音色可控和高表現(xiàn)力方面也是較為亮眼。

不少歪果仁在VoxCPM 2發(fā)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(zhì)方面，市面一般是24000Hz，但VoxCPM 2這次直接拔高到了48000Hz（CD音質(zhì)）！

這下子，游戲、動畫、影視、有聲書等領(lǐng)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(xiàn)在就可以在在線體驗的網(wǎng)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(zhuǎn)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(fā)現(xiàn)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(fā)揮。

然后如果想克隆聲音的質(zhì)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(jié)：

第一個是文本規(guī)范化，這是在你輸入的臺詞里有日期、符號、阿拉伯?dāng)?shù)字等AI讀不明白的內(nèi)容時，你就可以點它，讓AI讀得規(guī)范起來。

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

第三個就是LocDiT，設(shè)置它的步數(shù)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(xiàn)在可以用[laughing]（笑聲）、[sigh]（嘆氣）、[Uhm]（嗯……）這些標(biāo)簽來控制：

總而言之，現(xiàn)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(shù)模型不太一樣的路線——采用擴散自回歸連續(xù)表征（Diffusion Autoregressive Continuous Representation）。

和市面上主流的Token-based傳統(tǒng)方案不同的是，它是基于Tokenizer-Free的TTS系統(tǒng)來做的設(shè)計，通過端到端擴散自回歸架構(gòu)直接生成連續(xù)語音表征，實現(xiàn)了隱式語義-聲學(xué)的解耦。

簡單來說，傳統(tǒng)方案在語音轉(zhuǎn)換時極易出現(xiàn)信息損失，而這套技術(shù)能最大程度保留原始聲音的聲學(xué)細節(jié)、情感基調(diào)和方言特色。

這也就是它既能完美復(fù)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(shù)壁壘。VoxCPM 2完全基于面壁智能自研的MiniCPM基座打造，延續(xù)了系列模型“小身板、大能量”的特質(zhì)。

此前VoxCPM系列就已經(jīng)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(yè)新高度。

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

最后回到國產(chǎn)這個點。

放眼全球范圍內(nèi)，目前除了基座大模型牢牢占據(jù)了開源領(lǐng)先地位，在小模型、端側(cè)模型上，中國公司也在持續(xù)領(lǐng)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