VoxCPM

VoxCPM は OpenBMB が公開している音声合成モデルで、音声を離散トークンに変換せず、拡散と自己回帰を組み合わせた構造で連続的な音声表現を直接生成します。最新の VoxCPM2 は MiniCPM-4 を土台にした 20 億パラメーターのモデルで、プロジェクトによれば 200 万時間を超える多言語音声で学習し、日本語や韓国語を含む 30 言語を言語タグなしで扱えます。性別や年齢、口調を文章で指定して新しい声を作る Voice Design と、短い参照音声からのクローンに対応しています。16kHz の参照音声から 48kHz の音声を出力します。重みとコードは Apache-2.0 で公開され、商用利用もできます。