-
VoxCPM2 ：这个 2B 模型的野心不只是”又一个 TTS”
正常人都觉得，语音合成这件事的终点就是把模型做得更大、数据喂得更多。XTTS、CosyVoice、F5-TTS，大家都是这条路：文本进去，切成离散 token，语言模型预测 token 序列，声码器还原波形。这套流程跑了三四年，大家忙着比谁的 MOS 分高零点几，比谁少了几毫秒延迟。VoxCPM2 没这么做，它直接把 Tokenizer 从流水线里删了。 这不是学术噱头。扔掉 Tokenizer …- 1.2k
- 0
-
OpenAI Speech Skill：把语音生成从“一次性调用”变成“可复现工程”
你可能已经习惯了 TTS 的套路：调一个 API，传一段文本，选一个声音，拿回一个 MP3。这件事本身没什么新鲜的，ElevenLabs 两年前就做到了。但 OpenAI 这个 Speech Skill 做的事情不太一样，它不是在“生成声音”，而是在“把声音生成变成一个可复现的工程任务”。 我第一次翻它的 SKILL.md 时，印象最深的是这句话：“Prefer the bundled CLI f…- 1k
- 0
-
VoxCPM2：把 TTS 领域最基础的一个假设推翻了，然后发现效果更好
过去五年里，如果你问任何一个做 TTS 的人"语音合成的基本流程是什么"，答案出奇一致：文本→分词器→语言模型→声码器→波形。分词器是整条链路的起点，是所有人默认的"基础设施"。没有 tokenizer，你怎么让模型学习语音？ VoxCPM2 的回答是：为什么一定要有？ 它把 TTS 领域赖以运转了五年以上的 tokenizer 直接拿掉了。模型在 Audi…- 1.1k
- 0
-
Voice-Pro：1万Star的开源语音AI工作站，功能越全，坑越多？
看到10.7k Stars的时候，我的第一反应很直接：又一个靠"对标ElevenLabs"上位的开源项目。GitHub上这类项目太多了，README写得天花乱坠，装完第一步就报错。 光看Star数我被骗了 但Voice-Pro不太一样。它把Whisper语音识别、多种TTS引擎、零样本语音克隆、Demucs人声分离、YouTube下载和实时翻译塞进了一个Gradio WebUI…- 49
- 0