丢掉离散 Tokenizer 的音质飞跃：OpenBMB VoxCPM2 连续扩散自回归架构与声音设计实操
在生成式语音与智能语音对话领域，过去几年的技术演进几乎被“离散量化编解码（Discrete Audio Codec）+ 自回归大模型（LLM）”的范式所垄断。无论是早期的 VALL-E、AudioLM，还是前两年的 ChatTTS 与部分开源方案，主流做法都是先用残差矢量量化（RVQ，如 EnCodec、SoundStream、DAC）将连续声音波形强行切碎为一串离散 Token，再交给大模型做自回归 Next-Token 预测。
然而，在近期的工程调优和多语言生成实测中，这套被奉为“金科玉律”的离散化范式正显露出难以逾越的天花板：量化损失直接扼杀了语音的微表情、胸腔共鸣与微气口，高频谐波被严重削减，导致输出音频总带着一层挥之不去的“金属数码味”；同时，多层 RVQ 造成的上下文长度膨胀与逐层累积误差，更是实时低延迟推流的噩梦。
近期，由 OpenBMB（清华团队与面壁智能开源社区） 倾力打造的全新一代语音大模型 OpenBMB/VoxCPM 及旗舰升级版 VoxCPM2 彻底打破了这一桎梏。它在业内率先走通了 “完全丢弃离散 Tokenizer、全链路在连续隐空间内自回归扩散流动” 的新体系，直接输出原生 48kHz 演播室级音质，并以 2B 参数量支撑起了 30 种世界语言、9 种中文方言以及突破性的“纯文本音色设计（Text-to-Voice Design）”。在本文中，我将以第一视角深入拆解 VoxCPM2 的核心架构设计、数学原理与实战落地全流程。