Was ist VoxCPM2?
VoxCPM2 ist ein Text-to-Speech-Modell von OpenBMB, der Open-Source-Gruppe hinter den MiniCPM-Sprachmodellen, veröffentlicht im April 2026. Es hat 2 Milliarden Parameter auf einem MiniCPM-4-Backbone, kommt ohne diskreten Audio-Tokenizer aus und gibt Audio mit 48 kHz aus. Laut OpenBMB wurde es mit mehr als 2 Millionen Stunden Sprache in 30 Sprachen trainiert, dazu neun chinesische Dialekte wie Kantonesisch und Sichuanesisch.
Es erledigt drei Aufgaben: Es entwirft eine neue Stimme aus einer schriftlichen Beschreibung in Klammern, klont eine Stimme aus einem kurzen Clip (optional mit Stilanweisungen) und setzt, wenn du zusätzlich das Transkript des Clips mitgibst, in dieser Stimme fort, um die größte Ähnlichkeit zu erreichen. Gewichte und Code stehen unter Apache 2.0. Die Hugging-Face-Seite verzeichnet rund 977.000 Downloads im vergangenen Monat, das GitHub-Repository hat rund 41.000 Sterne.
Lohnt sich VoxCPM2?
VoxCPM2 packt mehr in einen kommerziell nutzbaren Checkpoint als die meisten offenen Sprachmodelle: Ein 2B-Checkpoint deckt 30 Sprachen, Stimmdesign, Klonen und Streaming ab und passt in etwa 8 GB VRAM. Qwen3-TTS verteilt dieselben Aufgaben auf getrennte Checkpoints, und die meisten Konkurrenten mit vergleichbarer Sprachabdeckung haben nichtkommerzielle Lizenzen.
In Benchmarks ist es konkurrenzfähig, aber nicht vorne. In OpenBMBs eigener Seed-TTS-eval-Tabelle erreicht es eine Wortfehlerrate von 1,84% im Englischen und eine Zeichenfehlerrate von 0,97% im Chinesischen, vor VoxCPM1.5 (2,12% und 1,18%), aber hinter Qwen3-TTS im Englischen (1,23%) und hinter Meituans LongCat-AudioDiT in jeder Spalte. Bei CV3-eval schlägt Fish Audios S2 es in allen Sprachen bis auf eine. Vorne liegt es beim englischen Stimmdesign: In InstructTTSEval erzielt es 84,2, 83,2 und 71,4 gegenüber 82,9, 82,4 und 68,4 für das VoiceDesign-Modell von Qwen3-TTS. Eine unabhängige Arena wie Artificial Analysis führt es noch nicht.
Die Geschwindigkeit reicht auf einer einzelnen Consumer-Karte. Die Modellkarte nennt einen Echtzeitfaktor von etwa 0,30 auf einer RTX 4090, zehn Sekunden Audio dauern also rund drei, und etwa 0,13 mit der Community-Engine Nano-vLLM. Eine Zeit bis zum ersten Audio ist nicht veröffentlicht. Das Ökosystem ist breit: vLLM-Omni stellt einen Sprach-Endpunkt im OpenAI-Stil bereit, und es gibt Portierungen für llama.cpp-omni, ONNX, Apple Neural Engine und ComfyUI.
Der Haken: Beim Klonen gibt es keine Schutzmaßnahme außer einem Satz in der Modellkarte, der Identitätstäuschung und Betrug verbietet. Es gibt kein Wasserzeichen, keine Einwilligungsprüfung und keinen Detektor. Der mehrsprachige MiniMax-Test zeigt außerdem, wie ungleich die 30 Sprachen sind: Deutsch kommt auf eine Wortfehlerrate von 0,68%, Hindi dagegen auf 19,7%, Rumänisch auf 21,6% und Tschechisch auf 24,1%. OpenBMB selbst rät, Ergebnisse von Stimmdesign und Stilsteuerung ein- bis dreimal zu erzeugen, um eine brauchbare Aufnahme zu bekommen.
Unser Fazit: Für ein Team, das seinen Sprach-Stack in europäischen und ostasiatischen Sprachen selbst besitzen will, ist VoxCPM2 die vernünftige Standardwahl, und das bei Lizenzen gesparte Geld gehört in einen Muttersprachler, der jede ausgelieferte Sprache abhört.
Wo es sich lohnt
Ein Spielestudio mit kleinem Audioteam
40 Nebenfiguren eigene Stimmen geben, ohne Sprecher zu buchen
Schreib pro Figur eine Beschreibung in Klammern, etwa ein älterer Mann mit rauer Stimme, der langsam spricht, und rendere die Zeilen stapelweise auf einer RTX 4090; behalte die beste von ein bis drei Aufnahmen. Apache 2.0 heißt: keine Lizenzgebühren auf das ausgelieferte Spiel.
Eine Lokalisierungsagentur, die Schulungsvideos auf Deutsch, Spanisch und Japanisch synchronisiert
Die Stimme des ursprünglichen Sprechers in allen Sprachen behalten
Gib den Clip des Sprechers samt Transkript für den genauesten Klon mit und erzeuge dann jede Sprache. Deutsch und Spanisch schneiden in OpenBMBs Tests gut ab; plane einen muttersprachlichen Prüfer ein, weil die Fehlerraten je nach Sprache stark schwanken.
Ein Backend-Entwickler, der in einer Lese-App eine kostenpflichtige Sprach-API ersetzt
Sprache über einen Endpunkt ausliefern, den die App schon ansprechen kann
Betreibe vLLM-Omni, das eine OpenAI-kompatible Route /v1/audio/speech bereitstellt, auf einer GPU mit 8 GB oder mehr. Aus einer Rechnung pro Zeichen wird eine feste GPU-Miete.
Bevor du dich festlegst
- Einrichtung
- pip install voxcpm mit Python 3.10 oder neuer, PyTorch 2.5 oder neuer und CUDA 12 oder neuer; die Gewichte werden beim ersten Laden von Hugging Face geholt. Etwa 8 GB VRAM in bfloat16.
- Integrationen
- Python-Paket, vLLM-Omni (OpenAI-kompatibler Sprach-Endpunkt), Nano-vLLM-VoxCPM, GGUF für llama.cpp-omni, ONNX, Apple Neural Engine und ComfyUI-Nodes. LoRA-Feinabstimmung braucht 5 bis 10 Minuten Audio.
- Daten und Datenschutz
- Selbst gehostet, Text und Referenzaudio bleiben also auf deinen Rechnern. Apache 2.0; die Karte verbietet Identitätstäuschung, Betrug und Desinformation und bittet um Kennzeichnung von KI-Audio, aber nichts im Code setzt das durch.
- Kosten im großen Maßstab
- Keine Lizenzgebühr und keine eigene API. Die Kosten sind GPU-Zeit: Bei einem Echtzeitfaktor von 0,30 rendert eine RTX 4090 vor jedem Batching etwa dreimal schneller als die Wiedergabe.
- Grenzen
- Keine veröffentlichte Zeit bis zum ersten Audio. Maximale Sequenz von 8.192 Tokens; die Karte warnt vor Instabilität bei sehr langen oder sehr ausdrucksstarken Eingaben, und die Qualität schwankt je nach Sprache.
Was gut ist
- Apache 2.0 für Gewichte und Code, kommerzielle Nutzung eingeschlossen
- Stimmdesign, Klonen und Streaming in einem 2B-Checkpoint
- Etwa 8 GB VRAM; Echtzeitfaktor rund 0,30 auf einer RTX 4090
- Schlägt Qwen3-TTS beim englischen Stimmdesign in InstructTTSEval
Was nicht
- Kein Wasserzeichen, keine Einwilligungsprüfung, kein Missbrauchsdetektor
- Hinter Qwen3-TTS, LongCat-AudioDiT und Fish S2 in mehreren Fehlerraten-Tests
- Schwach in einigen gelisteten Sprachen: 19,7% WER in Hindi, 24,1% in Tschechisch
- Stimmdesign und Stilsteuerung brauchen pro Zeile eventuell ein bis drei Versuche
Am besten für
Produktteams, die kommerziell nutzbare offene Sprachsynthese mit Stimmdesign und Klonen in europäischen und ostasiatischen Sprachen auf einer GPU brauchen.
Alternativen zu VoxCPM2
VoxCPM2: häufige Fragen
- Lohnt sich VoxCPM2?
- VoxCPM2 ist das offene Sprachmodell für den Einstieg, wenn du eine kommerzielle Lizenz, viele Sprachen und Stimmdesign in einem Download brauchst. Wir bewerten es mit 4.2 von 5.
- Was kostet VoxCPM2?
- Kostenlos unter Apache 2.0, kommerzielle Nutzung eingeschlossen. OpenBMB verkauft keine gehostete API; die Kosten sind deine eigene GPU-Zeit.
- Welche Nachteile hat VoxCPM2?
- Kein Wasserzeichen, keine Einwilligungsprüfung, kein Missbrauchsdetektor; Hinter Qwen3-TTS, LongCat-AudioDiT und Fish S2 in mehreren Fehlerraten-Tests; Schwach in einigen gelisteten Sprachen: 19,7% WER in Hindi, 24,1% in Tschechisch; Stimmdesign und Stilsteuerung brauchen pro Zeile eventuell ein bis drei Versuche.
- Für wen eignet sich VoxCPM2?
- Produktteams, die kommerziell nutzbare offene Sprachsynthese mit Stimmdesign und Klonen in europäischen und ostasiatischen Sprachen auf einer GPU brauchen.
- Was kostet VoxCPM2 für ein Team oder im Produktivbetrieb?
- Keine Lizenzgebühr und keine eigene API. Die Kosten sind GPU-Zeit: Bei einem Echtzeitfaktor von 0,30 rendert eine RTX 4090 vor jedem Batching etwa dreimal schneller als die Wiedergabe.
- Ist VoxCPM2 sicher für Firmendaten?
- Selbst gehostet, Text und Referenzaudio bleiben also auf deinen Rechnern. Apache 2.0; die Karte verbietet Identitätstäuschung, Betrug und Desinformation und bittet um Kennzeichnung von KI-Audio, aber nichts im Code setzt das durch.
- Was sind die besten Alternativen zu VoxCPM2?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3-TTS, OmniVoice, Fun-CosyVoice3 und Higgs TTS 3.
Antworten geprüft am 7. Nov. 2026.
Du entwickelst VoxCPM2? Zeig diese Bewertung auf deiner Website
