面壁智能近日正式推出并开源了其音频生成模型VoxCPM的1.5版本，该版本在采样率、生成效率及稳定性方面实现了显著提升。此次升级聚焦于优化声音克隆效果与音频生成质量，为用户提供更专业的音频处理解决方案。
在核心性能方面，VoxCPM 1.5将AudioVAE模块的采样率从16kHz提升至44.1kHz，这一改进使模型能够基于高质量音频源生成更细腻、更逼真的声音克隆效果。例如，在语音合成场景中，升级后的模型可精准捕捉声纹特征，还原出包含更多细节的音频内容，满足专业领域对音质的高标准需求。
生成效率方面，新版本通过算法优化实现了速度与质量的双重突破。当前模型仅需6.25个token即可生成1秒音频，较前代版本效率提升一倍。这一改进不仅缩短了长文本音频的生成时间，更在保持原有速度优势的基础上，显著提升了输出音频的清晰度与连贯性，尤其适用于有声读物、播客制作等需要大量语音输出的场景。
针对长期存在的技术痛点，VoxCPM 1.5在稳定性方面取得关键进展。通过改进模型架构与训练策略，新版本有效减少了音频伪影问题，优化了长文本音频的生成效果。在实际测试中，即使处理超过10分钟的连续语音内容，系统仍能保持音色统一、节奏平稳，大幅降低了后期人工修正的工作量。
此次开源的1.5版本延续了面壁智能开放共享的技术理念，为开发者社区提供了完整的模型框架与训练代码。研究人员可基于该版本进一步探索音频生成技术的边界，企业用户则能通过本地化部署满足定制化需求，推动语音交互、数字内容创作等领域的创新应用。
