VoxCPM2とは？
VoxCPM2は、MiniCPM言語モデルを手がけるオープンソースグループOpenBMBが2026年4月に公開したテキスト読み上げモデルです。MiniCPM-4をベースにした20億パラメータのモデルで、離散的な音声トークナイザーを使わず、48 kHzの音声を出力します。OpenBMBによると、30言語で200万時間を超える音声に加え、広東語や四川語など9つの中国語方言で学習しました。
仕事は3つあります。括弧内に書いた説明から新しい声を作るボイスデザイン、短いクリップからの声のクローン（スタイル指示も任意で追加できます）、そしてクリップの書き起こしも渡した場合に、その声のまま続けて最も近い再現を得る方法です。重みとコードはApache 2.0です。Hugging Faceのページには直近1か月で約977,000回のダウンロードが記録され、GitHubリポジトリのスターは約41,000です。
VoxCPM2は使う価値があるか？
VoxCPM2は、商用利用できる1つのチェックポイントに、多くのオープン音声モデルより多くの機能を詰め込んでいます。2Bのチェックポイント1つで30言語、ボイスデザイン、クローン、ストリーミングをこなし、VRAMは約8 GBに収まります。Qwen3-TTSは同じ仕事を別々のチェックポイントに分けており、言語の対応範囲が近い競合の多くは非商用ライセンスです。
ベンチマークでは上位に食い込みますが、首位ではありません。OpenBMB自身のSeed-TTS-evalの表では、英語の単語誤り率が1.84%、中国語の文字誤り率が0.97%で、VoxCPM1.5（2.12%と1.18%）を上回りますが、英語ではQwen3-TTS（1.23%）に、すべての列でMeituanのLongCat-AudioDiTに負けています。CV3-evalでは、Fish AudioのS2が1言語を除くすべてで上回ります。リードしているのは英語のボイスデザインで、InstructTTSEvalでは84.2、83.2、71.4と、Qwen3-TTSのVoiceDesignモデルの82.9、82.4、68.4を上回ります。Artificial Analysisのような独立したアリーナにはまだ掲載されていません。
速度は一般向けGPU 1枚で実用的です。モデルカードによると、RTX 4090でのリアルタイム係数は約0.30で、10秒の音声を約3秒で生成します。コミュニティ製のNano-vLLMエンジンでは約0.13です。最初の音声が出るまでの時間は公開されていません。エコシステムは広く、vLLM-OmniがOpenAI形式の音声エンドポイントを提供し、llama.cpp-omni、ONNX、Apple Neural Engine、ComfyUI向けの移植もあります。
注意点：クローンの安全策は、なりすましと詐欺を禁じるモデルカードの一文だけです。透かしも、同意の確認も、検出器もありません。MiniMaxの多言語テストでは、30言語の品質のばらつきもわかります。ドイツ語の単語誤り率は0.68%ですが、ヒンディー語は19.7%、ルーマニア語は21.6%、チェコ語は24.1%です。OpenBMB自身も、使えるテイクを得るにはボイスデザインとスタイル制御の出力を1回から3回生成するよう勧めています。
結論：欧州と東アジアの言語で音声基盤を自前で持ちたいチームには、VoxCPM2が妥当な第一候補です。ライセンス費で浮いたお金は、公開する言語ごとのネイティブの確認者に回すべきです。
真価を発揮する場面
小規模なオーディオチームを持つゲームスタジオ
声優を手配せずに、40人の脇役にそれぞれ違う声を付けたい
キャラクターごとに、たとえば「ゆっくり話すしゃがれ声の年配男性」といった説明を括弧内に書き、RTX 4090 1枚でセリフをまとめて生成し、1回から3回のテイクから最良のものを残します。Apache 2.0なので、発売したゲームにロイヤリティはかかりません。
研修動画をドイツ語、スペイン語、日本語に吹き替えるローカライズ会社
元の講師の声をすべての言語で保ちたい
最も忠実なクローンのために講師のクリップと書き起こしを渡し、各言語を生成します。OpenBMBのテストではドイツ語とスペイン語の成績が良好ですが、誤り率は言語によって大きく違うため、ネイティブの確認者の費用を見込んでおくべきです。
読書アプリで有料の音声APIを置き換えるバックエンドエンジニア
アプリがすでに呼び出し方を知っているエンドポイントから音声を返したい
OpenAI互換の/v1/audio/speechルートを提供するvLLM-Omniを、8 GB以上のGPUで動かします。費用は文 字単位の請求から、固定のGPUレンタル料に変わります。
導入前に確認すること
- 導入
- Python 3.10以降、PyTorch 2.5以降、CUDA 12以降の環境でpip install voxcpmを実行します。重みは初回の読み込み時にHugging Faceから取得されます。bfloat16でVRAMは約8 GBです。
- 連携
- Pythonパッケージ、vLLM-Omni（OpenAI互換の音声エンドポイント）、Nano-vLLM-VoxCPM、llama.cpp-omni向けGGUF、ONNX、Apple Neural Engine、ComfyUIノード。LoRAによる微調整には5分から10分の音声が必要です。
- データとプライバシー
- 自前でホストするため、テキストと参照音声は自分のマシンに残ります。Apache 2.0です。カードはなりすまし、詐欺、偽情報を禁じ、AI音声への表示を求めていますが、コード側で強制する仕組みはありません。
- 大規模利用時のコスト
- ライセンス料も自社APIもありません。費用はGPU時間で、リアルタイム係数0.30なら、RTX 4090 1枚でバッチ処理なしでも再生の約3倍の速さで生成できます。
- 制限
- 最初の音声までの時間は非 公開です。最大シーケンスは8,192トークンで、カードは非常に長い入力や感情表現の強い入力で不安定になることがあると警告しており、品質は言語によって異なります。
良い点
- 重みとコードがApache 2.0で、商用利用も可能
- ボイスデザイン、クローン、ストリーミングを2Bのチェックポイント1つで
- VRAMは約8 GB、RTX 4090でのリアルタイム係数は約0.30
- InstructTTSEval の英語ボイスデザインでQwen3-TTSを上回る
気になる点
- 透かし、同意の確認、悪用検出器のいずれもない
- いくつかの誤り率テストでQwen3-TTS、LongCat-AudioDiT、Fish S2に劣る
- 対応言語の一部は弱く、ヒンディー語のWERは19.7%、チェコ語は24.1%
- ボイスデザインとスタイル制御は1行につき1回から3回の試行が必要な場合がある
おすすめの人
欧州と東アジアの言語で、ボイスデザインとクローンを備えた商用利用可能なオープン音声合成を、GPU 1枚で動かしたいプロダクトチーム。
VoxCPM2の代替
VoxCPM2：よくある質問
- VoxCPM2は使う価値があるか？
- 商用ライセンス、多言語、ボイスデザインを1つのダウンロードで揃えたいなら、まず試すべきオープン音声モデルがVoxCPM2です。 評価は5点満点中4.2点です。
- VoxCPM2の料金は？
- Apache 2.0で無料、商用利用も含みます。OpenBMBはホスト型APIを販売しておらず、費用は自分のGPU時間です。
- VoxCPM2の欠点は？
- 透かし、同意の確認、悪用検出器のいずれもない; いくつかの誤り率テストでQwen3-TTS、LongCat-AudioDiT、Fish S2に劣る; 対応言語の一部は弱く、ヒンディー語のWERは19.7%、チェコ語は24.1%; ボイスデザインとスタイル制御は1行につき1回から3回の試行が必要な場合がある.
- VoxCPM2は誰に向いているか？
- 欧州と東アジアの言語で、ボイスデザインとクローンを備えた商用利用可能なオープン音声合成を、GPU 1枚で動かしたいプロダクトチーム。
- チームや本番環境でVoxCPM2を使うと費用はいくらか？
- ライセンス料も自社APIもありません。費用はGPU時間で、リアルタイム係数0.30なら、RTX 4090 1枚でバッチ処理なしでも再生の約3倍の速さで生成できます。
- VoxCPM2は企業データを扱っても安全か？
- 自前でホストするため、テキストと参照音声は自分のマシンに残ります。Apache 2.0です。カードはなりすまし、詐欺、偽情報を禁じ、AI音声への表示を求めていますが、コード側で強制する仕組みはありません。
- VoxCPM2の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3-TTS, OmniVoice, Fun-CosyVoice3 、 Higgs TTS 3です。
回答確認日：2026年11月7日
VoxCPM2の開発元の方へ：この評価をサイトに掲載できます
