VoxCPM2是首个完全放弃离散token的开源TTS方案，直接在连续潜空间用扩散自回归建模，避免离散化导致的情感与韵律细节损失。它支持通过自然语言描述生成音色、克隆音色并独立控制风格，覆盖30种语言及9种中文方言，输出48kHz音频，采用Apache-2.0许可可商用，支持LoRA微调，单张RTX 4090即可完成。

VoxCPM是开源TTS系统，无需分词即可实时克隆人声，在连续空间建模语音，保留呼吸声等细节。基于MiniCPM-4，采用扩散自回归架构，分文本语义和残差声学两模型，支持上下文感知韵律和零样本克隆（3-10秒音频），可流式合成及微调。