VoxCPM2: sistema TTS multilingüe de código abierto con clonación de voz

OpenBMB ha lanzado VoxCPM2, la nueva versión de su sistema de síntesis de voz (TTS) que prescinde de tokenización. Se trata de un modelo de 2 000 millones de parámetros entrenado con más de dos millones de horas de datos en 30 idiomas. La herramienta permite generar voz directamente a partir de texto sin necesidad de etiquetas de idioma, diseñar voces nuevas mediante descripciones en lenguaje natural (sin audio de referencia) y clonar cualquier voz a partir de un breve fragmento con control opcional de estilo. La salida alcanza calidad de estudio a 48 kHz gracias a un codificador-decodificador asimétrico (AudioVAE V2). VoxCPM2 funciona en tiempo real con un factor de tiempo real (RTF) de aproximadamente 0,3 en una NVIDIA RTX 4090, y puede acelerarse mediante Nano-vLLM o vLLM-Omni. El proyecto se publica bajo licencia Apache 2.0, lo que permite uso comercial. Incluye soporte para streaming, interfaz de línea de comandos y una API compatible con OpenAI. La empresa ha puesto a disposición los pesos del modelo en Hugging Face y la documentación completa en su web.