VoxCPM

VoxCPM2 是一个无需文本分词器的端到端语音合成（TTS）系统，采用扩散+自回归混合架构，直接建模连续语音表征，支持30种语言的自然语音生成、基于文本描述的创意音色设计（Voice Design），以及可控的高保真语音克隆。模型参数量达20亿，训练数据超200万小时，输出采样率达48kHz，具备强泛化性与细粒度控制能力。适用于多语种内容生成、虚拟人音色定制、无障碍语音服务及专业级语音内容创作等场景。