VoxCPM2 Technical Report
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为语音生成技术报告，阐述分层连续latent骨干、AudioVAE、统一序列组织与多阶段训练，含公开零样本TTS基准与内部多语WER评测，权重与代码Apache开源。
关键要点
- VoxCPM2在单一骨干中统一基础TTS、自然语言声线设计、可控克隆与续写克隆，差异仅来自统一序列组织下的输入布局。
- AudioVAE V2以16 kHz编码、48 kHz重建，在紧凑latent序列上支持隐式超分与高编码效率。
- 训练语料超过200万小时多语语音，覆盖30语言与9种中文方言，并与约2B参数骨干联合扩展规模。
- 内部30语言评测集上，VoxCPM2平均WER/CER为1.68%。
- InstructTTSEval英文子集上，VoxCPM2在APS与DSD上分别为84.2与83.2。
- 单卡RTX 4090上，VoxCPM2 PyTorch路径RTF为0.30，Nano-vLLM路径RTF为0.13。