#Zero-Shot TTS (1)

VoxCPM2：在连续潜空间中生成多语言语音、设计与克隆音色

VoxCPM2 是 OpenBMB 基于 MiniCPM-4 构建的 2B 参数连续潜空间语音生成模型。它用 AudioVAE V2 把 16 kHz 参考音频编码为潜表示，再经 LocEnc、文本语义语言模型、残差声学语言模型与局部扩散生成潜块，原生解码为 48 kHz 语音。项目支持多语言合成、自然语言音色设计、参考音克隆、带文本续写克隆以及 LoRA/SFT 微调。文中会区分仓库实现事实与作者自报指标，并讨论流式部署、音色一致性和语音伪造风险。