O que é VoxCPM2?
O VoxCPM2 é um modelo de texto para fala da OpenBMB, o grupo de código aberto por trás dos modelos de linguagem MiniCPM, lançado em abril de 2026. Ele tem 2 bilhões de parâmetros sobre uma base MiniCPM-4, funciona sem um tokenizador de áudio discreto e gera áudio a 48 kHz. A OpenBMB diz que ele foi treinado com mais de 2 milhões de horas de fala em 30 idiomas, além de nove dialetos chineses, como o cantonês e o sichuanês.
Ele faz três trabalhos: cria uma voz nova a partir de uma descrição escrita entre parênteses, clona uma voz a partir de um trecho curto (com instruções de estilo opcionais) e, se você também fornecer a transcrição do trecho, continua naquela voz para a semelhança mais fiel. Pesos e código estão sob Apache 2.0. A página no Hugging Face registra cerca de 977.000 downloads no último mês, e o repositório no GitHub tem cerca de 41.000 estrelas.
VoxCPM2 vale a pena?
O VoxCPM2 coloca em um único checkpoint de uso comercial mais do que a maioria dos modelos de voz abertos: um checkpoint de 2B cobre 30 idiomas, criação de voz, clonagem e streaming, e cabe em cerca de 8 GB de VRAM. O Qwen3-TTS divide essas mesmas tarefas entre checkpoints separados, e a maioria dos rivais com cobertura de idiomas comparável tem licença não comercial.
Nos benchmarks ele é competitivo, não o primeiro. Na tabela Seed-TTS-eval da própria OpenBMB, ele marca taxa de erro de palavras de 1,84% em inglês e taxa de erro de caracteres de 0,97% em chinês, à frente do VoxCPM1.5 (2,12% e 1,18%), mas atrás do Qwen3-TTS em inglês (1,23%) e do LongCat-AudioDiT da Meituan em todas as colunas. No CV3-eval, o S2 da Fish Audio o supera em todos os idiomas menos um. Onde ele lidera é na criação de voz em inglês: no InstructTTSEval marca 84,2, 83,2 e 71,4, contra 82,9, 82,4 e 68,4 do modelo VoiceDesign do Qwen3-TTS. Nenhuma arena independente, como a Artificial Analysis, o lista ainda.
A velocidade é viável em uma única placa de consumo. O cartão do modelo dá um fator de tempo real de cerca de 0,30 numa RTX 4090, ou seja, dez segundos de áudio levam uns três, e de cerca de 0,13 com o motor comunitário Nano-vLLM. Não há número publicado de tempo até o primeiro áudio. O ecossistema é amplo: o vLLM-Omni serve um endpoint de fala no estilo da OpenAI, e existem versões para llama.cpp-omni, ONNX, Apple Neural Engine e ComfyUI.
O porém: a clonagem não tem proteção além de uma frase no cartão do modelo que proíbe falsificação de identidade e fraude. Não há marca d'água, verificação de consentimento nem detector. O teste multilíngue da MiniMax também mostra como os 30 idiomas são desiguais: o alemão tem taxa de erro de palavras de 0,68%, enquanto o hindi chega a 19,7%, o romeno a 21,6% e o tcheco a 24,1%. A própria OpenBMB recomenda gerar de uma a três vezes as saídas de criação de voz e controle de estilo para conseguir uma tomada aproveitável.
Nossa opinião: para uma equipe que quer ser dona do seu sistema de voz em idiomas europeus e do Leste Asiático, o VoxCPM2 é o padrão sensato, e o dinheiro economizado em licenças deve ir para um falante nativo que revise cada idioma publicado.
Onde ele se destaca
Um estúdio de games com uma equipe de áudio pequena
Dar vozes diferentes a 40 personagens secundários sem contratar atores
Escreva uma descrição entre parênteses por personagem, como um homem mais velho de voz rouca que fala devagar, e gere as falas em lotes numa RTX 4090, ficando com a melhor de uma a três tomadas. Apache 2.0 significa nenhum royalty sobre o jogo lançado.
Uma agência de localização que dubla vídeos de treinamento para alemão, espanhol e japonês
Manter a voz do apresentador original em todos os idiomas
Passe o trecho do apresentador e a transcrição para o clone mais fiel e gere cada idioma. Alemão e espanhol vão bem nos testes da OpenBMB; reserve verba para um revisor nativo, porque as taxas de erro variam muito por idioma.
Um engenheiro de backend que substitui uma API de voz paga num app de leitura
Servir fala por um endpoint que o app já sabe chamar
Rode o vLLM-Omni, que expõe uma rota /v1/audio/speech compatível com a OpenAI, numa GPU de 8 GB ou mais. O custo vira aluguel fixo de GPU em vez de cobrança por caractere.
Antes de decidir
- Configuração
- pip install voxcpm com Python 3.10 ou superior, PyTorch 2.5 ou superior e CUDA 12 ou superior; os pesos são baixados do Hugging Face no primeiro carregamento. Cerca de 8 GB de VRAM em bfloat16.
- Integrações
- Pacote Python, vLLM-Omni (endpoint de fala compatível com a OpenAI), Nano-vLLM-VoxCPM, GGUF para llama.cpp-omni, ONNX, Apple Neural Engine e nós do ComfyUI. O ajuste fino com LoRA precisa de 5 a 10 minutos de áudio.
- Dados e privacidade
- Auto-hospedado, então texto e áudio de referência ficam nas suas máquinas. Apache 2.0; o cartão proíbe falsificação de identidade, fraude e desinformação e pede que o áudio de IA seja identificado, mas nada no código impõe isso.
- Custo em escala
- Sem taxa de licença e sem API própria. O custo é tempo de GPU: com fator de tempo real de 0,30, uma RTX 4090 gera cerca de três vezes mais rápido que a reprodução, antes de usar lotes.
- Limites
- Sem tempo até o primeiro áudio publicado. Sequência máxima de 8.192 tokens; o cartão alerta para instabilidade com entradas muito longas ou muito expressivas, e a qualidade varia por idioma.
O que é bom
- Apache 2.0 para pesos e código, uso comercial incluído
- Criação de voz, clonagem e streaming em um único checkpoint de 2B
- Cerca de 8 GB de VRAM; fator de tempo real de cerca de 0,30 numa RTX 4090
- Supera o Qwen3-TTS na criação de voz em inglês no InstructTTSEval
O que não é
- Sem marca d'água, verificação de consentimento ou detector de abuso
- Atrás do Qwen3-TTS, do LongCat-AudioDiT e do Fish S2 em vários testes de taxa de erro
- Fraco em alguns idiomas da lista: 19,7% de WER em hindi, 24,1% em tcheco
- Criação de voz e controle de estilo podem exigir de uma a três tentativas por fala
Ideal para
Equipes de produto que precisam de voz aberta de uso comercial, com criação de voz e clonagem em idiomas europeus e do Leste Asiático, em uma única GPU.
Alternativas ao VoxCPM2
VoxCPM2: perguntas frequentes
- VoxCPM2 vale a pena?
- O VoxCPM2 é o modelo de voz aberto para começar quando você precisa de licença comercial, muitos idiomas e criação de voz em um único download. Damos nota 4.2 de 5.
- Quanto custa VoxCPM2?
- Gratuito sob Apache 2.0, uso comercial incluído. A OpenBMB não vende API hospedada; o custo é o seu próprio tempo de GPU.
- Quais são as desvantagens de VoxCPM2?
- Sem marca d'água, verificação de consentimento ou detector de abuso; atrás do Qwen3-TTS, do LongCat-AudioDiT e do Fish S2 em vários testes de taxa de erro; fraco em alguns idiomas da lista: 19,7% de WER em hindi, 24,1% em tcheco; criação de voz e controle de estilo podem exigir de uma a três tentativas por fala.
- Para quem VoxCPM2 é indicado?
- Equipes de produto que precisam de voz aberta de uso comercial, com criação de voz e clonagem em idiomas europeus e do Leste Asiático, em uma única GPU.
- Quanto custa VoxCPM2 para uma equipe ou em produção?
- Sem taxa de licença e sem API própria. O custo é tempo de GPU: com fator de tempo real de 0,30, uma RTX 4090 gera cerca de três vezes mais rápido que a reprodução, antes de usar lotes.
- VoxCPM2 é seguro para dados da empresa?
- Auto-hospedado, então texto e áudio de referência ficam nas suas m áquinas. Apache 2.0; o cartão proíbe falsificação de identidade, fraude e desinformação e pede que o áudio de IA seja identificado, mas nada no código impõe isso.
- Quais são as melhores alternativas ao VoxCPM2?
- As alternativas mais próximas que analisamos são Qwen3-TTS, OmniVoice, Fun-CosyVoice3 e Higgs TTS 3.
Respostas verificadas em 7 de nov. de 2026.
Você faz o VoxCPM2? Mostre esta nota no seu site
