Технічний контекст
Я зачепився за коротку репліку про міграцію з VoxCPM 0.6B та 1.7B на VoxCPM2 саме тому, що це не абстрактний реліз, а жива перевірка боєм. Якщо модель забирають у дзвонилку, то там дивляться не на красивий демо-ролик, а на затримку, стабільність і те, наскільки це взагалі витримує прод.
За специфікацією картина зрозуміла. VoxCPM2 – це вже 2B-модель із 30 мовами та 9 китайськими діалектами, аудіо 48 kHz, zero-shot voice cloning та стримінгом. Для AI implementation у телефонії це важливіше за будь-які бенчмарки на слайдах: один стек закриває і голос, і мультимовність, і більш-менш живий conversational tempo.
Окремо я глянув на швидкість. Офіційно в них заявлений RTF близько 0.30 у звичайній подачі та близько 0.13 з оптимізованим Nano-vLLM serving. Для телефонного каналу це вже робочий діапазон, особливо якщо весь пайплайн не розвалюється на ASR, роутингу та LLM-оркестрації.
На тлі старих 0.6B та 1.7B різниця не лише в розмірі. У ранніх версій була вужча зона застосування, передусім за мовами та загальною гнучкістю. VoxCPM2 виглядає як версія, де сімейство нарешті стало придатним не лише для експериментів, а для нормальної AI integration у голосові процеси.
Вплив на бізнес та автоматизацію
Для дзвінків тут три практичні висновки. Перший: менше милиць в архітектурі, бо не треба городити окремі рішення під мови, стиль голосу та клон. Другий: швидший запуск міжнародних сценаріїв, де раніше все впиралося в TTS-шар. Третій: вищий шанс, що голосовий агент звучить не як банкомат 2014 року.
Виграють команди, яким потрібен один двигун під IVR, обдзвін та вхідні голосові сценарії. Програють ті, хто збудував стек навколо старих моделей і тепер платитиме за міграцію, тюнінг та тести на реальних лініях.
І ось тут починається не магія, а інженерка: навіть хороша TTS-модель сама по собі не рятує, якщо у вас поганий буферинг, кривий SIP-шар або затримки між ASR та генерацією. Я у себе в Nahornyi AI Lab саме такі вузькі місця й розгрібаю, коли збираю AI solutions for business навколо телефонії.
Якщо ви вже вперлися в якість чи latency голосового бота, можна не гадати по форумах. Давайте подивимося на ваш стек цілком: у Nahornyi AI Lab я можу допомогти з AI automation під дзвінки, щоб агент не просто говорив гарним голосом, а реально знімав навантаження з команди та не дратував людей на лінії.