面壁智能联合清华发布 VoxCPM 2 语音模型，凭借 2B 参数量实现 48kHz 高保真音质、30 种语言及 9 种方言的精准复刻与跨语言演绎。
📝 详细摘要
本文介绍了面壁智能、OpenBMB 开源社区与清华大学联合推出的升级版语音模型 VoxCPM 2。该模型仅有 2B 参数，却展现出极强的表现力，能精准复刻《莽撞人》等高难度贯口，并支持东北话、四川话等 9 种方言及 30 种外语。技术上，VoxCPM 2 摒弃了传统的 Token-based 方案，采用扩散自回归连续表征（Diffusion Autoregressive Continuous Representation）架构，实现了隐式语义-声学解耦，极大保留了声音细节与情感。此外，模型支持 48000Hz CD 级音质，并全面开源权重与工具链，适配 LoRA 微调及多端部署。
💡 主要观点
- 采用扩散自回归连续表征架构，实现高保真语音生成。 不同于主流的 Token-based 方案，该架构通过端到端扩散直接生成连续语音表征，有效减少信息损失，保留了细腻的情感基调和方言特色。
💬 文章金句
- VoxCPM 2 采用扩散自回归连续表征，实现了隐式语义-声学的解耦。
- 在音质方面，市面一般是 24000Hz，但 VoxCPM 2 这次直接拔高到了 48000Hz（CD 音质）！
- 放眼全球范围内，目前除了基座大模型牢牢占据了开源领先地位，在小模型、端侧模型上，中国公司也在持续领先。
📊 文章信息
AI 评分：88
来源：量子位
作者：十三
分类：人工智能
语言：中文
阅读时间：10 分钟
字数：2373
标签： VoxCPM 2, 语音合成, TTS, 开源模型, 面壁智能