VoxCPM2: открытая TTS-модель на 2 млрд параметров с 30 языками

Вышла открытая модель синтеза речи VoxCPM2 на 2 млрд параметров, обученная на 2 млн часов аудио и поддерживающая 30 языков, включая тайский. По собственным тестам команды на бенчмарке MiniMax-MLS она даёт WER 2,96 для тайского против 73,94 у ElevenLabs, но заметно проигрывает в арабском, чешском и румынском.

• 2 млрд параметров, 2 млн часов аудио, 30 языков, включая тайский
• WER тайского 2,96 против 73,94 у ElevenLabs по тестам команды
• В арабском WER 13,05 против 1,67 у ElevenLabs и Minimax
• RTF около 0,3 на RTX 4090, с vLLM-Omni — до 0,13