OpenBMB представила модель VoxCPM для генерации речи

Команда OpenBMB выпустила VoxCPM2 — специализированную модель для преобразования текста в речь (TTS). Система построена на архитектуре с 2 млрд параметров и работает без использования токенизатора, что позволяет напрямую обрабатывать аудиоданные.

Модель поддерживает генерацию аудио на 30 языках и обеспечивает вывод звука с частотой дискретизации 48 кГц. Одной из ключевых особенностей релиза стала функция Voice Design, позволяющая пользователям гибко настраивать характеристики синтезируемого голоса под конкретные задачи.

Разработка ориентирована на создание высококачественного аудиоконтента с минимальными задержками. Отсутствие промежуточного этапа токенизации упрощает пайплайн обработки данных, делая модель пригодной для интеграции в интерактивные системы, требующие естественного звучания и мультиязычности.

Для разработчиков и исследователей доступ к коду и весам модели открыт в официальном репозитории проекта. Инструмент позволяет внедрять продвинутые возможности синтеза речи в локальные приложения, расширяя инструментарий для работы с аудио в задачах, где требуется высокая точность передачи интонаций и поддержка широкого спектра языковых пар.