VoxCPM2

VoxCPM2 เป็นโมเดล TTS แบบ diffusion-autoregressive ไม่ใช้ tokenizer ขนาด 2B พารามิเตอร์จาก OpenBMB สังเคราะห์ เสียง 48 kHz คุณภาพสตูดิโอ ใน 30 ภาษาด้วยโหมดการใช้งานสามแบบ: zero-shot, การโคลนเสียงจากคลิปอ้างอิงเดียว และการออกแบบเสียงด้วยภาษาธรรมชาติ ("a young female voice, warm and gentle") บน Apple Silicon มันรันแบบเนทีฟผ่าน MLX ใน bf16, int8 หรือ int4 — ชุด int8 round-trip ผ่าน Qwen3-ASR ได้ 0% WER บนชุดทดสอบ 8 ประโยคและ RTF ประมาณ 1.0

โมเดลนี้คืออะไร

• เอาต์พุต 48 kHz — engine on-device เพียงตัวเดียวในสแต็กนี้ที่มีอัตราการสุ่มระดับสตูดิโอ โมดูล TTS อื่นๆ ทั้งหมดสูงสุดที่ 24 kHz
• การออกแบบเสียง — ควบคุมสไตล์ด้วยภาษาธรรมชาติ: --voxcpm2-instruct "young female voice, warm and gentle" ไม่มี engine ตัวอื่นที่เปิดให้ใช้ฟีเจอร์นี้
• การโคลนเสียง — การโคลนจากคลิปอ้างอิงเดียวที่ 16 kHz; "ultimate cloning" (เสียงอ้างอิง + ทรานสคริปต์) เพื่อรักษาน้ำเสียง
• 30 ภาษา — อังกฤษ, จีน, อินโดนีเซีย, ญี่ปุ่น, เกาหลี และอื่นๆ ตรวจจับอัตโนมัติจากข้อความ
• Apache 2.0 — น้ำหนักโมเดลสืบทอดสัญญาอนุญาต upstream ของ openbmb; การ port ไปยัง Swift ของเราก็ใช้สัญญาอนุญาตเดียวกัน

สถาปัตยกรรม

ห้าองค์ประกอบที่ทำงานร่วมกันผลิตรูปคลื่น 48 kHz:

ชุดต่างๆ

สามรุ่นการ quantize ทุกตัวแปลงมาจาก checkpoint PyTorch upstream ผ่าน openbmb/VoxCPM2 การ quantize ใช้กับ Linear projection ภายใน LM / residual LM / DiT estimator / projection head; vocoder AudioVAE คงไว้ที่ fp16/bf16 เพราะการ quantize ทำให้คุณภาพเสียงลดลง

Round-trip ASR (Qwen3-ASR 0.6B, ชุดทดสอบ 8 ประโยค, Apple Silicon รุ่น M):

int8 เป็นค่าเริ่มต้นที่แนะนำ — มันตรงกับ pipeline Python upstream ทุกบิตบนเส้นทาง LM ในขณะที่เร็วกว่าและเล็กกว่า bf16 40 % int4 เป็นชุดที่เล็กที่สุดที่มี WER ยอมรับได้สำหรับการใช้งานทั่วไป

เริ่มต้นอย่างรวดเร็ว

import VoxCPM2TTS

let tts = try await VoxCPM2TTSModel.fromPretrained()  // defaults to bf16
let audio = try await tts.generate(text: "Hello from VoxCPM2.", language: "english")
// audio: [Float] at 48 kHz mono

ส่ง model ID ที่ระบุชัดเจนเพื่อเลือกชุด int8 / int4:

let tts = try await VoxCPM2TTSModel.fromPretrained(
    modelId: "aufklarer/VoxCPM2-MLX-int8"
)

การออกแบบเสียง (ตามคำสั่ง)

ส่งคำอธิบายสไตล์เป็นภาษาธรรมชาติ; โมเดลจะกำหนดเงื่อนไขการสังเคราะห์โดยใช้คำอธิบายนั้นโดยไม่ต้องใช้คลิปเสียงอ้างอิง:

let audio = try await tts.generateVoxCPM2(
    text: "Welcome to the show.",
    instruct: "A young woman, gentle and warm voice."
)

การโคลนเสียง

การโคลนจากคลิปอ้างอิง mono ที่ 16 kHz:

let ref = try AudioFileLoader.load(url: URL(fileURLWithPath: "speaker.wav"),
                                   targetSampleRate: 16000)
let audio = try await tts.generateVoxCPM2(
    text: "This is a cloned voice.",
    refAudio: ref
)

Ultimate cloning — ส่งทั้งเสียงอ้างอิงและทรานสคริปต์ที่ตรงกัน เพื่อให้ LM สามารถกำหนดเงื่อนไขบนบริบทคำศัพท์ได้ด้วย รักษาน้ำเสียงและสำเนียงได้ใกล้เคียงต้นฉบับมากขึ้น:

let audio = try await tts.generateVoxCPM2(
    text: "Hello from the cloned voice.",
    refAudio: ref,
    promptText: "this is what the reference clip actually said",
    promptAudio: ref
)

CLI

speech speak "Hello there." \
    --engine voxcpm2 \
    --voxcpm2-variant int8 \
    --output hello.wav

# Voice design
speech speak "Welcome to the show." \
    --engine voxcpm2 \
    --voxcpm2-instruct "A young woman, gentle and warm voice." \
    --output design.wav

# Voice cloning
speech speak "This is a cloned voice." \
    --engine voxcpm2 \
    --voice-sample speaker.wav \
    --output clone.wav

Flag: --voxcpm2-variant {bf16,int8,int4}, --voxcpm2-instruct, --voxcpm2-ref-audio, --voxcpm2-prompt-audio + --voxcpm2-prompt-text, --voxcpm2-cfg-value, --voxcpm2-timesteps, --voxcpm2-max-tokens, --voxcpm2-min-tokens, --seed สำหรับการสังเคราะห์ที่ทำซ้ำได้

เลือกโมดูล TTS ใดใน speech-swift

การใช้งานอย่างมีความรับผิดชอบ

มีการรองรับการโคลนเสียง ขอความยินยอมสำหรับเสียงใดๆ ที่คุณโคลน และอย่าใช้โมเดลเพื่อปลอมตัวบุคคล สร้างข้อมูลที่บิดเบือน หรือก่อการฉ้อโกง ใช้คำแนะนำด้านความปลอดภัยฉบับเต็มจาก openbmb/VoxCPM2