اگر به دنبال تولید صوتی هستید که دقیقاً شبیه به یک انسان خاص باشد اما لزوماً کلمات را درست تلفظ نکند، VoxCPM2 پاسخ شماست. اما برای کسانی که دقت در بازتولید کلمات را اولویت می‌دانند، این مدل در برخی زبان‌ها استانداردهای جدیدی تعریف کرده است.
طبق گزارش‌های منتشر شده، در محک MiniMax-MLS برای زبان تایلندی، در حالی که ElevenLabs نرخ خطای کلمه (Word Error Rate - WER) ۷۳.۹۴ را ثبت کرد، مدل متن‌باز VoxCPM2 تنها به عدد ۲.۹۶ رسید. این تفاوت خیره‌کننده نشان می‌دهد که در برخی بسترهای زبانی، یک مدل با وزن‌های باز (Open Weights) می‌تواند تقریباً ۲۵ برابر دقیق‌تر از رقیب تجاری و قدرتمند خود در بازتولید کلمات عمل کند.
این پیشرفت در زمانی رخ می‌دهد که صنعت به سمت سنتز گفتار تخصصی‌تر و بهینه‌تر حرکت می‌کند. اکثر سامانه‌های تجاری تبدیل متن به گفتار (TTS) بر تبدیل صوت به توکن‌های (Token) گسسته متکی هستند؛ فرآیندی که اغلب ظرافت‌های احساسی و الگوهای تنفسی را حذف می‌کند. VoxCPM2 با حذف کامل مرحله توکن‌سازی (Tokenization)، سعی در حل این مشکل دارد.
VoxCPM2 نسل سوم از خانواده‌ای است که با نسخه ۱.۰ آغاز شد. نسخه ۱.۰ دارای ۶۴۰ میلیون پارامتر بود و تنها از زبان‌های چینی و انگلیسی پشتیبانی می‌کرد (جزئیات بیشتر در arXiv 2509.24650). پس از آن، نسخه ۱.۵ معرفی شد که تعداد پارامترهای آن به ۸۰۰ میلیون افزایش یافت. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تکامل مدل‌های مولد صوتی اشاره کردیم، مقیاس‌پذیری همواره کلید بهبود کیفیت بوده است.
بر اساس داده‌های API گیت‌هاب در ۱۲ اکتبر ۲۰۲۶، این پروژه به ۳۸٬۹۸۴ ستاره، ۴٬۴۰۹ فورک و ۱۶۷ ناظر (Watcher) رسیده است. محبوبیت این مدل در Hugging Face نیز مشهود است؛ جایی که ۶۳۳٬۶۵۳ بار دانلود شده است. این رقم در مقایسه با ۶٬۶۳۰ دانلود برای نسخه ۱.۰ و ۴٬۳۳۷ دانلود برای نسخه ۱.۵، یک افزایش خیره‌کننده را نشان می‌دهد.
به نقل از گزارش فنی منتشر شده در arXiv در ۵ ژوئن ۲۰۲۶، این مدل از معماری «خودبازگشتی انتشار» (Diffusion Autoregressive) استفاده می‌کند. این معماری به مدل اجازه می‌دهد تا بازنمایی‌های صوتی پیوسته را مستقیماً تولید کند. این مدل دارای ۲ میلیارد پارامتر است و روی بیش از ۲ میلیون ساعت داده صوتی چندزبانه در ۳۰ زبان مختلف آموزش دیده است.
عملکرد مدل بسته به زبان تفاوت‌های شدیدی دارد. طبق مستندات پروژه (README)، میانگین WER در مجموعه ارزیابی داخلی آن‌ها ۱.۶۸٪ است، هرچند این اعداد هنوز توسط آزمایشگاه‌های مستقل تأیید نشده‌اند:
- تایلندی: VoxCPM2 (۲.۹۶ WER) در برابر ElevenLabs (۷۳.۹۴ WER) و FishAudio S2 (۴.۲۳ WER). در این زبان، Minimax با ۲.۷۰ اندکی پیشتاز است.
- انگلیسی: Qwen3-TTS با ۰.۹۳ پیشتاز است و پس از آن VoxCPM2 با ۲.۲۹ و ElevenLabs با ۲.۳۴ قرار دارند.
- اندونزیایی: ElevenLabs با ۱.۰۶ پیشتاز است و VoxCPM2 با ۱.۰۸ بسیار نزدیک است و Minimax عدد ۱.۲۴ را ثبت کرده است.
- عربی: VoxCPM2 با نرخ خطای ۱۳.۰۵ به شدت ضعیف عمل می‌کند، در حالی که ElevenLabs و Minimax هر دو امتیاز ۱.۶۷ را کسب کرده‌اند.
- چکی: ElevenLabs با ۲.۱۱ در برابر ۲۴.۱۳ برای VoxCPM2 برنده است.
- رومانیایی و هندی: VoxCPM2 به ترتیب ۲۱.۵۸ و ۱۹.۷۰ را ثبت کرده، در حالی که ElevenLabs روی ۱.۳۵ و ۵.۸۳ است.
- اوکراینی: ElevenLabs با ۱.۰۰ در برابر ۶.۳۲ برای VoxCPM2 پیشتاز است.
با وجود این شکاف‌ها در دقت، VoxCPM2 در شباهت صوتی (SIM) غالب است. در زبان انگلیسی، این مدل امتیاز ۸۵.۴ را کسب کرد، در حالی که ElevenLabs ۶۱.۳، FishAudio S2 مقدار ۷۹.۷ و Minimax عدد ۷۵.۶ بود. بالاترین امتیازات شباهت در زبان‌های فنلاندی (۸۹.۰) و لهستانی (۸۸.۴) ثبت شده است. این یک پارادوکس ایجاد می‌کند: مدل دقیقاً شبیه گوینده هدف به نظر می‌رسد، اما ممکن است در برخی زبان‌ها اصلاً قابل فهم نباشد.
این مدل پنج حالت تولید دارد که برجسته‌ترین آن‌ها «طراحی صدا» (Voice Design) است. در این حالت، مدل بر اساس توصیفات متنی (مثلاً «صدای گرم زنانه با کمی خش») یک صدای منحصر‌به‌فرد می‌سازد، بدون اینکه به کلیپ مرجع نیاز داشته باشد. از آنجا که نتایج متغیر است، تیم سازنده توصیه می‌کند یک تا سه نسخه تولید کنید تا صدای مطلوب را بیابید.
سایر قابلیت‌های کلیدی عبارتند از:
- شبیه‌سازی صدا (Voice Cloning): کپی کردن صدا از کلیپ‌های کوتاه با قابلیت تنظیم احساس، سرعت و سبک از طریق تگ‌های متنی.
- تداوم با وضوح بالا: ادامه دادن گفتار از یک فایل صوتی و متن موجود به صورت یکپارچه.
- کیفیت صوتی: پذیرش ورودی ۱۶ کیلوهرتز و خروجی ۴۸ کیلوهرتز از طریق رمزگشای AudioVAE V2 که از یک طراحی نامتقارن برای افزایش رزولوشن داخلی استفاده می‌کند.
برای توسعه‌دهندگان، این مدل از طریق pip install voxcpm در دسترس است و به حداقل ۸ گیگابایت VRAM (RTX 3060 یا بالاتر) و CUDA ۱۲.۰+ نیاز دارد. روی کارت RTX 4090، فاکتور زمان واقعی (RTF) حدود ۰.۳ است. این سرعت نسبت به نسخه ۱.۰ (۰.۱۷) و ۱.۵ (۰.۱۵) کمتر است، اما با استفاده از Nano-vLLM یا vLLM-Omni می‌توان آن را به ۰.۱۳ کاهش داد. برای کاربران مک، نسخه GGUF از طریق Metal روی تراشه M4 Pro مقدار RTF ۱.۷۶ را ارائه می‌دهد.
این تغییر در معماری، این فرض را که توکن‌سازی برای TTS باکیفیت ضروری است، به چالش می‌کشد. VoxCPM2 ثابت کرد که مدل‌های با وزن‌های باز می‌توانند در بازارهای منطقه‌ای خاص، پیشروهای تجاری را شکست دهند. همچنین، این مدل را می‌توان با تنها ۵ تا ۱۰ دقیقه داده صوتی از طریق تنظیم دقیق (Fine-tuning) کامل یا لورا (LoRA) بهینه کرد.
با این حال، هزینه این دسترسی رایگان، فقدان زیرساخت‌های سازمانی ElevenLabs است؛ مواردی مانند تضمین پایداری سرویس (Uptime)، گواهینامه‌های پزشکی و مدیریت فضای کاری شرکتی. برای یک تولیدکننده مستقل، هزینه تقریباً صفر است، اما برای یک شرکت، هزینه مدیریت خوشه‌های RTX 4090 (حدود ۱۶۰۰ دلار برای هر کارت) و رعایت استانداردهای انطباق ممکن است بیشتر از پرداخت حق اشتراک باشد.
کاربران باید محتاط باشند. لایسنس Apache 2.0 اجازه استفاده رایگان را می‌دهد، اما تیم سازنده نسبت به استفاده برای کلاهبرداری یا جعل عمیق (Deepfake) هشدار داده است. از آنجا که هیچ مکانیزم فنی برای جلوگیری از این اتفاق پس از دانلود وجود ندارد، توسعه‌دهندگان تشویق شده‌اند تا سیستم‌های رضایت و اطلاع‌رسانی را در محصولات خود بگنجانند.
برای تأیید این ادعاها، توصیه می‌شود توسعه‌دهندگان مدل را روی مجموعه‌داده‌های اختصاصی خود آزمایش کنند تا به جای تکیه بر جدول MiniMax-MLS، نتایج واقعی را بسنجند. در حال حاضر می‌توان بدون نصب محلی، در Hugging Face Spaces با این مدل تجربه کرد.
گام بعدی شما
- اگر روی پروژه‌های چندزبانه کار می‌کنید، مدل را در Hugging Face Spaces روی زبان‌های هدف خود تست کنید تا شکاف دقت و شباهت را بسنجید.
- برای کاهش تأخیر در استنتاج، از کتابخانه‌های vLLM-Omni استفاده کنید تا RTF را به سطح بهینه برسانید.
- در صورت نیاز به صدای اختصاصی، قابلیت Voice Design را برای تولید صداهای بدون نمونه مرجع امتحان کنید.
اما تأثیر این معماری بدون توکن بر مدل‌های زبانی بزرگ‌تر حتی پیچیده‌تر است — به تحلیل ما درباره‌ی آینده‌ی مدل‌های چندوجهی مراجعه کنید.
گفتگو