VoxCPM2 このセットの中で最も国際的にフレンドリーなモデルです。 Apache-2.0 コードと重量の両方の, 英語の文書をクリーンにし、共通する設計決定 TTS 問題。 お問い合わせ トークナイザーフリー — オーディオを離散トークンに定量化するのではなく、連続した空間で直接生成します。 合理:量子化は失われ、アクセント、感情的なマイクロダイナミクス、呼吸および一時リズムは正確にそれによって平らになる細部です。 モデルは 2 B ModelBestで構築されたパラメーター ミニCPM-4 バックボーン、訓練された 2M+ 営業時間 多言語対応のスピーチ

建築設計

ログイン → ツイート → ログイン → ログイン

バックボーン

ミニCPM-4, 2 B 合計:

語学学校

30 + 9 中国文字盤

オーディオVAE

可聴周波VAE V2 (16 kHz お問い合わせ → 48 kHz アウト)

LMトークンレート

6.25 Hz最高、 8192 トークン

VRAM

~8 GB

RTF (RTX 4090)

~0.30 / ~0.13 ナノVLLM

ライセンス

Apache-2.0 (商業OK)

4段アーキテクチャ

• LocEnc(ローカルエンコーダ) — 入力テキストと参照オーディオから機能を抽出し、2つの言語モデルの調整を作成します。
• TSLM(テキスト)–セマンティックLM — 「セマンティック・プランニング」: テキストを粗いスピーチ・セマンティクス表現にマップします。 コンテンツ境界とプロソディックフレームが決定されるところです。
• RALM(残留音響LM) — TSLMの出力の上部に微細でグラインドされた音響モデリング: timbre、感情的な細部およびスピーカーの特徴はここに加えられます。
• LocDiT(ローカル拡散トランス) — 流れ一致のローカル拡散は連続的な可聴周波潜水艦を、分解します作り出します オーディオVAE V2 お問い合わせ 48 kHz オーディオ。

AudioVAE V2は アシンメトリック: エンコーダは受け入れます 16 kHz デコダーが出ている間入力 48 kHz、造られる超決断と — 外部のアップサンプラーは必要ありません。 お問い合わせ 48 kHz 出力は、このグループの最高サンプルレートです。

4つの使用法モード

コンテキストアウェア合成

見やすくなる機能:VOXCPMは、文字を音声に変換するのではなく、テキストを読み、適切な感情とプロセードを誘導します。 除外マークで終わる同じ文は、フルストップと異なるパッシング、エネルギー、ストレスを得ることができます。 スポーツの解説、引数と泣いたモノローグは、古い典型的なフラットな「安定的で感情のない」配信ではなく、自然なプロスディーで出てくる TTS. TSLMのセマンティックモデリングとMiniCPMから4 下のテキスト理解。

ベンチマーク

種子の最先端または競争として報告TTS-eval、CV3-eval、指示して下さいTTSEvalとMiniMaxの多言語テスト。 洞窟:ほとんどの数字は自己報告されています。独立したサードパーティの再生は依然として制限されています。

語学学校

30 言語: アラビア語、ブルメス、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、インドネシア語、イタリア語、日本語、クメール、韓国語、ラオス語、マレー語、マレー語、ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、タガログ語、タイ語、トルコ語、ベトナム語。

9 中国の方言: Sichuanese、広東、呉(上海)、北東、ヘナノン、陝西、山東、天津、ホッケーン。

ファインチューニング&展開

• フル SFT と LoRA の微調整に対応 5–10 オーディオの数分 — LoRAは推奨パスです。 このグループでは、実用的なパーソナルボイストレーニングワークフローを文書化する唯一のモデルです。
• 要件: Python ≥ 3.10, ピトーチ ≥ 2.5.0, キュダ ≥ 12.0. インストール pip install voxcpm.
• ModelScope ダウンロードは、ハッギングフェイスが遅くなる地域のユーザーが利用できます。
• 制作サービス ナノVLLM または vLLM-オムニ. ローカルWebデモ: python app.py --port 8808.
• キーノブ: cfg_value (分類器なしの指導の強さ) — どのように密接な出力がプロンプトに付着するか) inference_timesteps (拡散ステップ;デフォルト 10 ほとんどの場合は良いです。
• 生態系の牽引: 先月のダウンロード数 327k, 21 アダプター, 28 コミュニティの微調整と 10 抱擁面の量子化。

バージョン履歴

ユースケース:ここに唯一のライセンスクリーニングオプション

自発的な展開:数学の仕組み

公表された生産成果(第三者の開示、参照のみ):

• ヨーロッパのfintech: a 10× サポートを介した解決への時間短縮。
• ティア1 ガルフテレコム: 接触ごとのコストダウン 58%; 81% 人間の手渡無しで前払いされた照会の原子格納容器;外出先のコレクションの平均ハンドルの時間 4.2 お問い合わせ 2.1 交通アクセス; AI処理されたコールのCSAT 4.3/5 に対して 4.1/5 humanのベースライン。

既設のアクセシビリティ: 右方向を取得する

WCAGはテキスト・ツー・スピーナを提供する必要はありません。 貴社のコンテンツは、補助的な技術利用者が正しく解析できるようにする必要があります。 すでに持ち込む — JAWS、NVDA、ボイスオーバー。 本当に機能するリードオードは、大規模なミドルグループです: ダイスレキア、低ビジョン、古いユーザー、第二言語リーダーと読者 — フルスクリーンの読者が、まだ長いテキストで苦労している人はほとんど役に立ちました。 コンプライアンスチェックボックスではなく、製品機能です。

クローニング:3つの規律

ヘッド・ツー・ヘッドのデータに座るところ

自分で実行する費用

ライセンスおよび開示ゲート

そうでない場合は、

• 重いコンプライアンス圧力、デフォルトの透かしが必要です → チャットボックス (デフォルトで埋め込まれるAI、MIT、PerThを組み立てて下さい、 25 言語)
• 中国の感情的な性能と正確な持続期間 → IndexTTS2.5.
• 646 低リソース言語、非商用 → OmniVoice.
• CPUやエッジの非常に低いフットプリント → ココロ 82M (このセットの外側) Apache-2.0, ~2–3 GB、クローン無し)。
• トップ単元の中国類似性 → コージーボイス3-0.5B (ライセンスを最初にチェック)