¿Qué es VoxCPM2?
VoxCPM2 es un modelo de texto a voz de OpenBMB, el grupo de código abierto detrás de los modelos de lenguaje MiniCPM, publicado en abril de 2026. Tiene 2.000 millones de parámetros sobre una base MiniCPM-4, funciona sin un tokenizador de audio discreto y genera audio a 48 kHz. OpenBMB afirma que se entrenó con más de 2 millones de horas de habla en 30 idiomas, además de nueve dialectos chinos como el cantonés y el sichuanés.
Hace tres trabajos: diseña una voz nueva a partir de una descripción escrita entre paréntesis, clona una voz a partir de un clip corto (con instrucciones de estilo opcionales) y, si también le das la transcripción del clip, continúa con esa voz para lograr el parecido más fiel. Los pesos y el código están bajo Apache 2.0. La página de Hugging Face registra unas 977.000 descargas en el último mes, y el repositorio de GitHub tiene unas 41.000 estrellas.
¿Merece la pena VoxCPM2?
VoxCPM2 mete en un solo checkpoint de uso comercial más que la mayoría de los modelos de voz abiertos: un checkpoint de 2B cubre 30 idiomas, diseño de voz, clonación y streaming, y cabe en unos 8 GB de VRAM. Qwen3-TTS reparte esas mismas tareas entre checkpoints separados, y la mayoría de los rivales con una cobertura de idiomas comparable llevan licencias no comerciales.
En los benchmarks es competitivo, no el primero. En la tabla Seed-TTS-eval de la propia OpenBMB obtiene una tasa de error de palabras del 1,84% en inglés y una tasa de error de caracteres del 0,97% en chino, por delante de VoxCPM1.5 (2,12% y 1,18%), pero por detrás de Qwen3-TTS en inglés (1,23%) y de LongCat-AudioDiT de Meituan en todas las columnas. En CV3-eval, S2 de Fish Audio lo supera en todos los idiomas menos uno. Donde sí lidera es en el diseño de voz en inglés: en InstructTTSEval puntúa 84,2, 83,2 y 71,4 frente a 82,9, 82,4 y 68,4 del modelo VoiceDesign de Qwen3-TTS. Ninguna arena independiente como Artificial Analysis lo incluye todavía.
La velocidad es viable en una sola tarjeta de consumo. La ficha del modelo da un factor de tiempo real de unos 0,30 en una RTX 4090, es decir, diez segundos de audio tardan unos tres, y de unos 0,13 con el motor comunitario Nano-vLLM. No se publica el tiempo hasta el primer audio. El ecosistema es amplio: vLLM-Omni sirve un endpoint de voz al estilo de OpenAI, y existen versiones para llama.cpp-omni, ONNX, Apple Neural Engine y ComfyUI.
La pega: la clonación no tiene más salvaguarda que una frase en la ficha del modelo que prohíbe la suplantación y el fraude. No hay marca de agua, ni comprobación de consentimiento, ni detector. La prueba multilingüe de MiniMax también muestra lo desiguales que son los 30 idiomas: el alemán obtiene una tasa de error de palabras del 0,68%, mientras que el hindi llega al 19,7%, el rumano al 21,6% y el checo al 24,1%. La propia OpenBMB aconseja generar de una a tres veces los resultados de diseño de voz y control de estilo para conseguir una toma utilizable.
Nuestra opinión: para un equipo que quiere ser dueño de su sistema de voz en idiomas europeos y de Asia oriental, VoxCPM2 es la opción por defecto sensata, y el dinero que se ahorra en licencias debería ir a un hablante nativo que revise cada idioma que publiques.
Dónde se gana su sitio
Un estudio de videojuegos con un equipo de audio pequeño
Dar voces distintas a 40 personajes secundarios sin contratar actores
Escribe una descripción entre paréntesis por personaje, por ejemplo un hombre mayor de voz ronca que habla despacio, y genera las frases por lotes en una RTX 4090, quedándote con la mejor de una a tres tomas. Apache 2.0 significa que no hay regalías sobre el juego publicado.
Una agencia de localización que dobla vídeos de formación al alemán, el español y el japonés
Mantener la voz del presentador original en todos los idiomas
Pasa el clip del presentador y su transcripción para lograr la clonación más fiel y genera cada idioma. El alemán y el español puntúan bien en las pruebas de OpenBMB; reserva presupuesto para un revisor nativo, porque las tasas de error varían mucho según el idioma.
Un ingeniero de backend que sustituye una API de voz de pago en una app de lectura
Servir voz desde un endpoint que la app ya sabe llamar
Ejecuta vLLM-Omni, que expone una ruta /v1/audio/speech compatible con OpenAI, en una GPU de 8 GB o más. El coste pasa a ser un alquiler fijo de GPU en lugar de una factura por carácter.
Antes de decidirte
- Puesta en marcha
- pip install voxcpm con Python 3.10 o posterior, PyTorch 2.5 o posterior y CUDA 12 o posterior; los pesos se descargan de Hugging Face en la primera carga. Unos 8 GB de VRAM en bfloat16.
- Integraciones
- Paquete de Python, vLLM-Omni (endpoint de voz compatible con OpenAI), Nano-vLLM-VoxCPM, GGUF para llama.cpp-omni, ONNX, Apple Neural Engine y nodos de ComfyUI. El ajuste fino con LoRA necesita de 5 a 10 minutos de audio.
- Datos y privacidad
- Autoalojado, así que el texto y el audio de referencia se quedan en tus máquinas. Apache 2.0; la ficha prohíbe la suplantación, el fraude y la desinformación y pide etiquetar el audio generado por IA, pero nada en el código lo impone.
- Coste a escala
- Sin cuota de licencia y sin API propia. El coste es tiempo de GPU: con un factor de tiempo real de 0,30, una RTX 4090 genera unas tres veces más rápido que la reproducción, antes de usar lotes.
- Límites
- No se publica el tiempo hasta el primer audio. Secuencia máxima de 8.192 tokens; la ficha advierte de inestabilidad con entradas muy largas o muy expresivas, y la calidad varía según el idioma.
Lo bueno
- Apache 2.0 para pesos y código, uso comercial incluido
- Diseño de voz, clonación y streaming en un solo checkpoint de 2B
- Unos 8 GB de VRAM; factor de tiempo real de unos 0,30 en una RTX 4090
- Supera a Qwen3-TTS en diseño de voz en inglés en InstructTTSEval
Lo malo
- Sin marca de agua, comprobación de consentimiento ni detector de abusos
- Por detrás de Qwen3-TTS, LongCat-AudioDiT y Fish S2 en varias pruebas de tasa de error
- Flojo en algunos idiomas de la lista: 19,7% de WER en hindi, 24,1% en checo
- El diseño de voz y el control de estilo pueden necesitar de una a tres pruebas por frase
Ideal para
Equipos de producto que necesitan voz abierta de uso comercial con diseño de voz y clonación en idiomas europeos y de Asia oriental en una sola GPU.
Alternativas a VoxCPM2
VoxCPM2: preguntas frecuentes
- ¿Merece la pena VoxCPM2?
- VoxCPM2 es el modelo de voz abierto por el que empezar cuando necesitas licencia comercial, muchos idiomas y diseño de voz en una sola descarga. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta VoxCPM2?
- Gratis bajo Apache 2.0, uso comercial incluido. OpenBMB no vende una API alojada; el coste es tu propio tiempo de GPU.
- ¿Qué inconvenientes tiene VoxCPM2?
- Sin marca de agua, comprobación de consentimiento ni detector de abusos; por detrás de Qwen3-TTS, LongCat-AudioDiT y Fish S2 en varias pruebas de tasa de error; flojo en algunos idiomas de la lista: 19,7% de WER en hindi, 24,1% en checo; el diseño de voz y el control de estilo pueden necesitar de una a tres pruebas por frase.
- ¿Para quién es VoxCPM2?
- Equipos de producto que necesitan voz abierta de uso comercial con diseño de voz y clonación en idiomas europeos y de Asia oriental en una sola GPU.
- ¿Cuánto cuesta VoxCPM2 para un equipo o en producción?
- Sin cuota de licencia y sin API propia. El coste es tiempo de GPU: con un factor de tiempo real de 0,30, una RTX 4090 genera unas tres veces más rápido que la reproducción, antes de usar lotes.
- ¿Es VoxCPM2 seguro para los datos de la empresa?
- Autoalojado, así que el texto y el audio de referencia se quedan en tus máquinas. Apache 2.0; la ficha prohíbe la suplantación, el fraude y la desinformación y pide etiquetar el audio generado por IA, pero nada en el código lo impone.
- ¿Cuáles son las mejores alternativas a VoxCPM2?
- Las alternativas más cercanas que hemos analizado son Qwen3-TTS, OmniVoice, Fun-CosyVoice3 y Higgs TTS 3.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas VoxCPM2? Muestra esta nota en tu web
