Điểm nổi bật
- Stars: 7.714 stars GitHub, tăng 496 stars trong ngày theo GitHub Trending.
- Quy mô mô hình: bản mới 2B tham số, huấn luyện trên hơn 2 triệu giờ dữ liệu giọng nói đa ngôn ngữ.
- Phạm vi hỗ trợ: 30 ngôn ngữ, có cả tiếng Việt, voice design, controllable cloning và ultimate cloning.
- Hiệu năng: xuất âm thanh 48kHz, RTF khoảng 0.3 trên RTX 4090, có thể xuống 0.13 khi chạy Nano-vLLM.
Biểu đồ
Tóm tắt
VoxCPM2 là một trong những repo open source đáng chú ý nhất của khung 3h–9h vì vừa tiếp tục đứng trong nhóm dự án AI tăng trưởng mạnh trên GitHub Trending, đồng thời có demo và model card cùng lúc nổi bật trên hệ sinh thái Hugging Face. Điểm khác biệt cốt lõi của dự án là cách tiếp cận tokenizer-free cho text-to-speech, bỏ qua lớp mã hóa token rời rạc thường thấy ở các hệ TTS hiện nay.
Với doanh nghiệp hoặc đội sản phẩm AI, VoxCPM2 đáng theo dõi vì nó dịch chuyển bài toán TTS từ “đọc được” sang “đủ tự nhiên để dùng thực chiến”: đa ngôn ngữ, clone giọng có kiểm soát, tạo giọng mới từ mô tả tự nhiên, và xuất âm thanh 48kHz mà không cần chuỗi hậu xử lý rời rạc.
Chi tiết
VoxCPM2 của OpenBMB đang hội đủ ba dấu hiệu mà một dự án open source AI đáng theo dõi thường cần có: lực kéo cộng đồng rõ ràng, thông số kỹ thuật đủ khác biệt, và khả năng triển khai tương đối thực tế. Trên GitHub Trending, repo đạt 7.714 sao và tăng thêm 496 sao trong ngày, trong khi README cho thấy đây là bản phát hành lớn tháng 4-2026, kế thừa backbone MiniCPM-4 nhưng mở rộng mạnh sang hạ tầng tạo giọng đa ngôn ngữ. Điều này quan trọng vì nhiều dự án TTS mở hiện nay vẫn mạnh ở một hoặc hai ngôn ngữ, hoặc cần pipeline chắp vá giữa ASR, tokenizer và vocoder. VoxCPM2 chọn hướng end-to-end hơn.
Điểm chiến lược nhất là kiến trúc tokenizer-free. Thay vì biến âm thanh thành chuỗi token rời rạc rồi sinh tiếp theo kiểu mô hình ngôn ngữ, VoxCPM2 làm việc trực tiếp trên continuous speech representation với pipeline LocEnc, TSLM, RALM và LocDiT trong latent space của AudioVAE V2. Về mặt sản phẩm, điều này giúp mô hình giữ được độ tự nhiên, nhịp điệu và màu giọng tốt hơn, đồng thời giảm cảm giác “giọng AI bị ghép mảnh”. Nếu điều này đúng như benchmark công bố, nó mở ra cơ hội cho voice agent, dubbing, trợ lý doanh nghiệp và nội dung audio cá nhân hóa ở chất lượng đủ cao để dùng thật.
Một lợi thế khác là mức độ đóng gói triển khai. README cung cấp cả Python API, CLI, web demo và gợi ý production deployment qua Nano-vLLM. Tức là dự án không chỉ dừng ở paper-demo mà đã đi một bước tới use case vận hành. Việc hỗ trợ 30 ngôn ngữ, đầu ra 48kHz, voice design từ mô tả tự nhiên, controllable cloning bằng clip tham chiếu và chế độ ultimate cloning cho thấy nhóm phát triển đang nhắm vào thị trường creator tools, AI agent có giọng nói và hạ tầng voice synthesis tùy biến.
Tất nhiên, vẫn có vài điểm cần thận trọng. Yêu cầu phần cứng chưa hẳn thấp, benchmark phần lớn do nhóm công bố, và các tính năng cloning giàu biểu cảm sẽ kéo theo câu hỏi về kiểm soát lạm dụng, xác thực danh tính giọng nói và bản quyền. Nhưng ở góc nhìn sản phẩm, VoxCPM2 là tín hiệu rõ rằng lớp hạ tầng voice open source đang tiến nhanh từ “bản demo nghiên cứu” sang “khối xây dựng cho ứng dụng thương mại”.