VoxCPM

VoxCPM 是 OpenBMB 开源的语音合成模型，不把语音切成离散 token，而是用端到端的扩散自回归架构直接生成连续的语音表示。最新的 VoxCPM2 以 MiniCPM-4 为基座，参数量 20 亿，据项目介绍训练数据超过 200 万小时，支持 30 种语言，另外还能说四川话、粤语、吴语等方言。只用文字描述性别、年龄、语气，就能设计出全新音色，给一段简短参考音频也能克隆声音，输入 16kHz 参考音频可输出 48kHz 音质。权重和代码采用 Apache-2.0 许可，可以商用。