VoxCPM2 技術卡片：開源 TTS 正從 voice cloning 走向 voice design 與可控語音生成

VibeVoice 更像語音模型家族：ASR 解決長音檔轉錄，Realtime 0.5B 解決低延遲 TTS；VoxCPM2 則聚焦於高品質 TTS、文字捏聲音與聲音克隆。若要做「會議 → 摘要 → 多角色朗讀」或「有聲書 / 角色配音」，兩者是不同層，不是完全替代。

官方 README 的 ecosystem 已列出多個社群整合，包括 ComfyUI-VoxCPM、ComfyUI_RH_VoxCPM、ComfyUI-VoxCPMTTS、TTS WebUI、VoxCPM.cpp、ONNX、ANE 與 Rust reimplementation。這代表 VoxCPM2 正從模型 repo 擴散到創作者工具鏈。

VoxCPM 是 tokenizer-free TTS，直接在連續語音表徵上生成，官方描述為 end-to-end diffusion autoregressive architecture，目的在於避開離散 tokenization 帶來的自然度與表現力限制。

VoxCPM2 為 2B 參數，官方 README / model card 宣稱使用超過 2 million hours 多語語音資料訓練，輸出 48kHz 音訊，built on MiniCPM-4 backbone。

GitHub repo 與 Hugging Face model card 標示 Apache-2.0；官方提供 GitHub、Hugging Face demo、ReadTheDocs 文件與 audio sample demo page。GitHub API 查詢時 repo 已超過 24K stars。

不用 reference audio，只用自然語言描述聲音，例如年齡、性別、語氣、情緒、語速、沙啞感或角色設定，就能生成新聲線。這把 TTS 從「念稿」推向「角色聲音設計」。

提供短 reference clip 後，模型可保留 timbre，再用文字指令控制 emotion、pace、expression。這對創作者很有吸引力，因為它不是只複製聲音，而是能把聲音帶進不同腳本與情緒。

官方說明中，Ultimate Cloning 需要 reference audio 與 transcript，讓模型從參考語音自然延續，保留 timbre、rhythm、emotion、style 等細節。這也是風險最高的能力，因為越像真人，越需要 consent 與使用邊界。