🎙️ Клонируйте голос за 3–10 секунд: VoxCPM2 — опенсорсный TTS со студийным качеством

Вышел крупный релиз VoxCPM2 — 2B-параметрическая модель для синтеза речи с открытым исходным кодом (Apache 2.0). Она обучена на более 2 млн часов многоязычных данных и поддерживает 30 языков (включая русский) плюс 9 китайских диалектов.

Что умеет: — Клонирование по короткому сэмплу. Достаточно 3–10 секунд записи, чтобы модель воспроизвела тембр, темп, интонации и даже речевые привычки. — Voice Design без референса. Опишите голос простым промптом — «женский, 30 лет, тёплый, слегка ироничный» — и модель создаст его с нуля. — Контроль эмоций и стиля. Можно управлять настроением и темпом, сохраняя оригинальный тембр. — 48 кГц на выходе. Студийное качество без внешних апсемплеров: на входе 16 кГц, на выходе — 48 кГц.

Железо: работает на потребительских GPU — достаточно 8 ГБ видеопамяти (например, RTX 3060/4060). Есть стриминг с RTF ~0.3 на RTX 4090.

Где забрать: официальный репозиторий — github.com/OpenBMB/VoxCPM. Установка: pip install voxcpm.

Если нужен локальный и бесплатный TTS с серьёзным качеством — это один из самых сильных вариантов на сегодня.

PhoenixNeon✅

В этом посте были ссылки, но мы их удалили по правилам Сетки