把声音压成一串编号再交给模型，有点像先把照片压缩后再修图：处理方便了，音色和细微语气却可能在中途丢失。OpenBMB 发布的 VoxCPM2 选择绕过语音分词器——也就是把连续声波转换成离散 Token 的工具——直接生成连续的声音表示。项目首日新增 290 星，值得关注的不只是热度，而是它试图用一条路线同时覆盖多语种朗读、声音设计和声音克隆。
据项目说明，VoxCPM2 是一个 20 亿参数模型，使用超过 200 万小时的多语种语音训练，支持 30 种语言，无需额外指定语言标签。用户既可以用自然语言描述年龄、音色、情绪和语速，设计一个新声音；也可以提供短音频克隆声音，并继续调节表达风格。它采用“扩散自回归”架构：一部分按顺序搭好语音结构，另一部分从噪声中逐步还原声音细节。项目还宣称可直接输出 48kHz 音频；这些能力与效果目前均来自项目方披露。