Qu’est-ce que VoxCPM2 ?
VoxCPM2 est un modèle de synthèse vocale d'OpenBMB, le groupe open source derrière les modèles de langage MiniCPM, publié en avril 2026. Il compte 2 milliards de paramètres sur une base MiniCPM-4, fonctionne sans tokeniseur audio discret et produit un son à 48 kHz. OpenBMB indique l'avoir entraîné sur plus de 2 millions d'heures de parole en 30 langues, plus neuf dialectes chinois comme le cantonais et le sichuanais.
Il fait trois choses : il crée une voix nouvelle à partir d'une description écrite entre parenthèses, clone une voix à partir d'un court extrait (avec, en option, des consignes de style) et, si vous fournissez aussi la transcription de l'extrait, poursuit dans cette voix pour la ressemblance la plus fidèle. Les poids et le code sont sous Apache 2.0. La page Hugging Face enregistre environ 977 000 téléchargements le mois dernier, et le dépôt GitHub compte environ 41 000 étoiles.
VoxCPM2 vaut-il le coup ?
VoxCPM2 met dans un seul checkpoint utilisable commercialement plus que la plupart des modèles vocaux ouverts : un checkpoint de 2B couvre 30 langues, la création de voix, le clonage et le streaming, et tient dans environ 8 Go de VRAM. Qwen3-TTS répartit ces mêmes tâches entre plusieurs checkpoints, et la plupart des concurrents à couverture linguistique comparable sont sous licence non commerciale.
Sur les benchmarks, il est compétitif sans être premier. Dans le tableau Seed-TTS-eval d'OpenBMB, il affiche un taux d'erreur sur les mots de 1,84 % en anglais et un taux d'erreur sur les caractères de 0,97 % en chinois, devant VoxCPM1.5 (2,12 % et 1,18 %), mais derrière Qwen3-TTS en anglais (1,23 %) et derrière LongCat-AudioDiT de Meituan sur toutes les colonnes. Sur CV3-eval, S2 de Fish Audio le bat dans toutes les langues sauf une. Là où il mène, c'est la création de voix en anglais : sur InstructTTSEval, il obtient 84,2, 83,2 et 71,4 contre 82,9, 82,4 et 68,4 pour le modèle VoiceDesign de Qwen3-TTS. Aucune arène indépendante comme Artificial Analysis ne le classe encore.
La vitesse est suffisante sur une seule carte grand public. La fiche du modèle donne un facteur temps réel d'environ 0,30 sur une RTX 4090, soit environ trois secondes pour dix secondes d'audio, et d'environ 0,13 avec le moteur communautaire Nano-vLLM. Aucun délai avant le premier son n'est publié. L'écosystème est large : vLLM-Omni sert un endpoint vocal de style OpenAI, et il existe des portages pour llama.cpp-omni, ONNX, Apple Neural Engine et ComfyUI.
Le hic : le clonage n'a pas d'autre garde-fou qu'une phrase de la fiche qui interdit l'usurpation d'identité et la fraude. Pas de filigrane, pas de vérification du consentement, pas de détecteur. Le test multilingue de MiniMax montre aussi à quel point les 30 langues sont inégales : l'allemand obtient un taux d'erreur sur les mots de 0,68 %, quand l'hindi monte à 19,7 %, le roumain à 21,6 % et le tchèque à 24,1 %. OpenBMB conseille elle-même de générer une à trois fois les sorties de création de voix et de contrôle du style pour obtenir une prise exploitable.
Notre avis : pour une équipe qui veut maîtriser sa chaîne vocale dans des langues européennes et d'Asie de l'Est, VoxCPM2 est le choix par défaut raisonnable, et l'argent économisé sur les licences devrait payer un locuteur natif pour chaque langue publiée.
Là où il fait la différence
Un studio de jeux vidéo avec une petite équipe audio
Donner des voix distinctes à 40 personnages secondaires sans engager de comédiens
Écrivez une description entre parenthèses par personnage, par exemple un homme âgé à la voix rauque qui parle lentement, et générez les répliques par lots sur une RTX 4090 en gardant la meilleure d'une à trois prises. Apache 2.0 signifie aucune redevance sur le jeu publié.
Une agence de localisation qui double des vidéos de formation en allemand, en espagnol et en japonais
Garder la voix du présentateur d'origine dans toutes les langues
Fournissez l'extrait du présentateur et sa transcription pour le clone le plus fidèle, puis générez chaque langue. L'allemand et l'espagnol obtiennent de bons scores dans les tests d'OpenBMB ; prévoyez un relecteur natif, car les taux d'erreur varient beaucoup selon la langue.
Un ingénieur backend qui remplace une API vocale payante dans une application de lecture
Servir la voix depuis un endpoint que l'application sait déjà appeler
Lancez vLLM-Omni, qui expose une route /v1/audio/speech compatible OpenAI, sur un GPU de 8 Go ou plus. Le coût devient une location GPU fixe au lieu d'une facture au caractère.
Avant de vous engager
- Mise en route
- pip install voxcpm avec Python 3.10 ou plus récent, PyTorch 2.5 ou plus récent et CUDA 12 ou plus récent ; les poids se téléchargent depuis Hugging Face au premier chargement. Environ 8 Go de VRAM en bfloat16.
- Intégrations
- Paquet Python, vLLM-Omni (endpoint vocal compatible OpenAI), Nano-vLLM-VoxCPM, GGUF pour llama.cpp-omni, ONNX, Apple Neural Engine et nœuds ComfyUI. L'affinage LoRA demande 5 à 10 minutes d'audio.
- Données et confidentialité
- Auto-hébergé : le texte et l'audio de référence restent sur vos machines. Apache 2.0 ; la fiche interdit l'usurpation d'identité, la fraude et la désinformation et demande d'étiqueter l'audio généré par IA, mais rien dans le code ne l'impose.
- Coût à grande échelle
- Aucune redevance et pas d'API maison. Le coût est le temps GPU : avec un facteur temps réel de 0,30, une RTX 4090 génère environ trois fois plus vite que la lecture, avant tout traitement par lots.
- Limites
- Pas de délai avant le premier son publié. Séquence maximale de 8 192 tokens ; la fiche signale une instabilité sur les entrées très longues ou très expressives, et la qualité varie selon la langue.
Les points forts
- Apache 2.0 pour les poids et le code, usage commercial compris
- Création de voix, clonage et streaming dans un seul checkpoint de 2B
- Environ 8 Go de VRAM ; facteur temps réel d'environ 0,30 sur une RTX 4090
- Devance Qwen3-TTS en création de voix anglaise sur InstructTTSEval
Les points faibles
- Ni filigrane, ni vérification du consentement, ni détecteur d'abus
- Derrière Qwen3-TTS, LongCat-AudioDiT et Fish S2 sur plusieurs tests de taux d'erreur
- Faible dans certaines langues annoncées : 19,7 % de WER en hindi, 24,1 % en tchèque
- La création de voix et le contrôle du style peuvent demander une à trois tentatives par réplique
Idéal pour
Les équipes produit qui ont besoin d'une synthèse vocale ouverte utilisable commercialement, avec création de voix et clonage en langues européennes et d'Asie de l'Est, sur un seul GPU.
Alternatives à VoxCPM2
VoxCPM2 : questions fréquentes
- VoxCPM2 vaut-il le coup ?
- VoxCPM2 est le modèle vocal ouvert par lequel commencer quand il vous faut une licence commerciale, beaucoup de langues et la création de voix en un seul téléchargement. Nous lui donnons 4.2 sur 5.
- Combien coûte VoxCPM2 ?
- Gratuit sous Apache 2.0, usage commercial compris. OpenBMB ne vend pas d'API hébergée ; le coût, c'est votre propre temps GPU.
- Quels sont les inconvénients de VoxCPM2 ?
- Ni filigrane, ni vérification du consentement, ni détecteur d'abus; derrière Qwen3-TTS, LongCat-AudioDiT et Fish S2 sur plusieurs tests de taux d'erreur; faible dans certaines langues annoncées : 19,7 % de WER en hindi, 24,1 % en tchèque; la création de voix et le contrôle du style peuvent demander une à trois tentatives par réplique.
- À qui s’adresse VoxCPM2 ?
- Les équipes produit qui ont besoin d'une synthèse vocale ouverte utilisable commercialement, avec création de voix et clonage en langues européennes et d'Asie de l'Est, sur un seul GPU.
- Combien coûte VoxCPM2 pour une équipe ou en production ?
- Aucune redevance et pas d'API maison. Le coût est le temps GPU : avec un facteur temps réel de 0,30, une RTX 4090 génère environ trois fois plus vite que la lecture, avant tout traitement par lots.
- VoxCPM2 est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : le texte et l'audio de référence restent sur vos machines. Apache 2.0 ; la fiche interdit l'usurpation d'identité, la fraude et la désinformation et demande d'étiqueter l'audio généré par IA, mais rien dans le code ne l'impose.
- Quelles sont les meilleures alternatives à VoxCPM2 ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-TTS, OmniVoice, Fun-CosyVoice3 et Higgs TTS 3.
Réponses vérifiées le 7 nov. 2026.
Vous éditez VoxCPM2 ? Affichez cette note sur votre site
