VoxCPM

多數語音合成系統會先把聲音切成離散 token，VoxCPM 則省掉這一步。它用端到端的擴散自迴歸架構，直接生成連續的語音表示。

最新版 VoxCPM2 由 OpenBMB 發布，以 MiniCPM-4 為基底，參數規模 20 億。依專案說明，訓練資料超過 200 萬小時，支援含中文、日文、韓文在內的 30 種語言，不需要語言標籤。用文字描述性別、年齡與語氣就能設計新音色，也能從一小段參考音訊複製聲音。專案公布的即時率在 RTX 4090 上約為 0.3。