VoxCPM 是面壁智能的无分词器语音合成系统，用扩散自回归架构端到端直接生成连续语音表示，绕开离散 token 这一步，换来的自然度和表现力。最新的 VoxCPM2 是 2B 参数模型，基于 MiniCPM-4 骨干，用两百万小时以上的多语种语音训练，支持 30 种语言加九种中文方言，还能只凭一段自然语言描述造出一个全新声音。第三块能力是可控克隆：短参考音频定音色，再用风格提示推情绪、语速和语气。声码侧用 AudioVAE V2 做非对称编解码，16kHz 输入直接输出 48kHz 录音棚级音频，内置超分不用外挂上采样器。