VoxCPM

VoxCPM TTS

A tokenizer-free TTS model that works in continuous space, outputs 44.1kHz audio, and stays consistent across paragraphs.

Đăng ký giới hạn 5000 ký tự

Lập vòng văn bản trong thẻ SSML để kiểm soát chính xác:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Thẻ mà mô hình đã chọn hiểu — nhấn để thả một trong văn bản của bạn nơi nó xảy ra:

Mô hình này đọc văn bản đơn giản, vì vậy các thẻ trong dòng sẽ bị bỏ qua. Đối với cảm xúc dựa trên thẻ, hãy chuyển sang mô hình biểu cảm như Orpheus hay Bark.

Định nghĩa cách phát âm tùy chỉnh (từ = phát âm):

-12 +12
0.5x 2.0x
Miễn phí với Piper, VITS, MeloTTS
Âm thanh đã tạo sẽ xuất hiện ở đây. Chọn một mô hình, nhập văn bản, và nhấn vào Tạo.
Âm thanh đã được tạo thành công
0:00
Tải về âm thanh Tải về Liên kết hết hạn trong 24h
Free tier: sử dụng cá nhân. Giấy phép thương mại từ $5/mo
Cảm ơn bạn đã tin tưởng TTS.ai!

Về VoxCPM

VoxCPM 1.5 by OpenBMB takes an unusual approach: instead of converting speech into discrete tokens, it operates directly in continuous space, which helps it preserve fine acoustic detail. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from three to ten seconds of reference, and maintains a consistent voice across long passages — a common failure point for other models on multi-paragraph text. Its cross-language cloning lets an English reference voice speak Chinese and vice versa. With Apache 2.0 licensing and LoRA fine-tuning support, it is well suited to audiobooks and long-form content where voice consistency over many paragraphs is essential.

Tốt nhất cho: High-fidelity audio, audiobooks, long-form content with voice consistency

& Xem tất cả VoxCPM giọng nói

Một cái nhìn

Nhà phát triển
OpenBMB
Giấy phép
Apache 2.0
Thú
standard
Tốc độ
fast
Ký âm
Ngôn ngữ
English, Chinese
Tối đa các ký tự
2000

VoxCPM giọng nói

Default

English
Mặc định Neutral

Default Chinese

Chinese
Mặc định Neutral

VoxCPM TTS - FAQ

Rather than discretizing speech into tokens, VoxCPM models audio in continuous space using flow matching. This helps it retain subtle acoustic detail and produce clean 44.1kHz output.

Yes. It is specifically designed to keep the voice consistent across paragraphs, which makes it well suited to audiobooks and other long passages where other models tend to drift.

Yes. It supports cross-lingual cloning between English and Chinese — for example applying an English reference voice to Chinese speech — from three to ten seconds of audio.
← Tất cả giọng nói