VoxCPM

VoxCPM 是一款新颖的无标记化文本转语音 (TTS) 系统，它重新定义了语音合成的真实感。通过在连续空间中对语音进行建模，它克服了离散标记化的局限性，并实现了两项旗舰功能：上下文感知语音生成和逼真的零样本语音克隆。与将语音转换为离散标记的主流方法不同，VoxCPM 采用端到端扩散自回归架构，可直接从文本生成连续语音表示。VoxCPM 能够理解文本，推断并生成合适的韵律，从而以卓越的表现力和自然流畅的语调呈现语音。它能够根据内容自发调整说话风格，并基于 180 万小时的海量双语语料库进行训练，生成高度契合的语音表达。