2B参数端到端语音合成，跳过token
值得看指数 69.0 NO. 003 · 2026.05.31
Stars22,692
为什么值得看
VoxCPM2 是一个 2B 参数的 tokenizer-free TTS 模型，用扩散自回归架构直接生成连续语音表征，支持 30 语言和 48kHz 输出。对做多语言语音产品或追求极致音质的团队，它绕过了离散 token 带来的信息损失和延迟瓶颈。
VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
媒体预览
编辑判断
当前主流 TTS 管线如 GPT-SoVITS、Fish Speech 都依赖离散 token（VQ/VAE），编码解码过程会丢失音色细节和韵律信息，且实时性受限。VoxCPM2 直接生成连续表征，在语音克隆的自然度和跨语言一致性上有结构性优势，类似思路在 Seed-TTS、E2-TTS 中也有验证，但开源社区此前缺乏同等规模实现。
做 AI 配音、实时语音交互或数字人产品的团队，如果当前方案在跨语言迁移时出现"外国口音"或高频失真，可以优先测试它的零样本克隆效果；不过 2B 参数对推理成本的影响需要实测，边缘部署可能仍需蒸馏。
Star History
生态分析
Beta
2B参数无Tokenizer TTS模型，填补多语言高保真语音合成开源生态空白。
独特价值：Tokenizer-Free架构避免信息损失，支持30语言48kHz，兼顾效率与音质。