{"kind":"compare","slug":"voxcpm","path":"/compare/voxcpm","title":"VoxCPM 2 Alternative: Sprachsynthese auf CPU | SuperClonica","description":"VoxCPM 2 oder SuperClonica: 48 kHz, Stimmdesign und 30 Sprachen gegen eine Supertonic-3-Engine, die auf der CPU schneller ist. Schätzungen und Empfehlungen.","h1":"VoxCPM 2 oder SuperClonica: Studioklang oder CPU-Tempo","intro":"VoxCPM 2 von OpenBMB ist ein Text-to-Speech-Modell mit 2 Milliarden Parametern, erschienen im April 2026. Es liefert 48-kHz-Audio, spricht 30 Sprachen, klont Stimmen und erzeugt neue aus einer Textbeschreibung, alles unter Apache 2.0. SuperClonica führt Supertonic-3-Stimmen aus; dieses Modell ist etwa zwanzigmal kleiner, auf der CPU deshalb viel schneller, aber weniger flexibel.\n\nDer Vergleich unten stützt sich auf die VoxCPM-Dokumentation und unsere eigene Tabelle.","sections":[{"heading":"Was VoxCPM 2 kann","paragraphs":["VoxCPM arbeitet ohne Tokenizer: Die Sprache entsteht im latenten Raum eines Audio-VAE über eine diffusions-autoregressive Pipeline auf Basis von MiniCPM-4."],"points":["30 Sprachen ohne Sprach-Tag, dazu neun chinesische Dialekte wie Kantonesisch und Sichuanisch.","48-kHz-Ausgabe aus einer 16-kHz-Referenz mit eingebauter Super-Resolution.","Stimmdesign aus einer Beschreibung in natürlicher Sprache und steuerbares Klonen.","Detailgetreues Klonen aus einem Referenzclip mit Transkript.","Gewichte und Code unter Apache 2.0; laut den Entwicklern kostenlos auch für kommerzielle Nutzung."]},{"heading":"VoxCPM 2 auf CPU und GPU","paragraphs":["Auf einer RTX 4090 nennen die Entwickler einen Echtzeitfaktor von etwa 0,3, mit Nano-vLLM etwa 0,13; das Modell braucht rund 8 GB VRAM. Auf einem Apple M4 Pro über llama.cpp-omni mit Q8_0-Gewichten sind es etwa 1,76.","Für einen Desktop-Achtkerner schätzen wir 2- bis 4-mal langsamer als Echtzeit; ein Satz von 10 Sekunden dauert 20–40 Sekunden. Ausgangspunkt ist ein ONNX-Export, der mit INT8-Gewichten auf einem Core i3-12300 3,8 meldet, plus die Annahme, dass eine schnellere CPU bis zu doppeltes Tempo bringt. SuperClonica läuft 6,4- bis 9,7-mal schneller als Echtzeit, rund 1,0–1,6 Sekunden für denselben Satz."]},{"heading":"Qualität und Stabilität","paragraphs":["Unsere Tabelle gibt VoxCPM 2 und SuperClonica dieselbe Qualitätsnote, 4,5 von 5. Bei der Klangstabilität erhält VoxCPM 2 3,5, SuperClonica 5.","Die VoxCPM-Entwickler schreiben selbst, dass Stimmdesign und steuerbares Klonen von Lauf zu Lauf unterschiedlich ausfallen können, und empfehlen ein bis drei Versuche. Für einen einzelnen Trailer ist das kein Problem. In einem Spiel, in dem eine Figur Tausende Sätze spricht, bleibt eine feste Stimmdatei leichter konsistent."]},{"heading":"Wann VoxCPM 2 die bessere Wahl ist","paragraphs":["SuperClonica passt, wenn die Sprachausgabe offline, in großen Mengen und auf CPUs läuft, in einer der 31 Sprachen von Supertonic 3. VoxCPM 2 ist besser, wenn:"],"points":["Sie Chinesisch oder einen chinesischen Dialekt brauchen;","48 kHz für Werbung, Musik oder Video wichtig sind;","Sie eine Stimme aus einer Beschreibung entwerfen oder sofort klonen wollen;","eine GPU mit rund 8 GB Speicher oder mehr vorhanden ist."]}],"faq":[{"question":"Läuft VoxCPM auf der CPU?","answer":"Ja, über Portierungen wie einen ONNX-Export, der mit INT8 auf einem Core i3-12300 einen Echtzeitfaktor von 3,8 meldet. Auf einem Desktop-Achtkerner schätzen wir 2- bis 4-mal langsamer als Echtzeit. Die offiziellen Anforderungen nennen CUDA 12.0 oder neuer."},{"question":"Wie viel VRAM braucht VoxCPM 2?","answer":"Rund 8 GB, laut der Vergleichstabelle im VoxCPM-Repository."},{"question":"Ist VoxCPM kostenlos für kommerzielle Nutzung?","answer":"Ja. Gewichte und Code stehen unter Apache 2.0, und die Entwickler bezeichnen sie ausdrücklich als kostenlos für kommerzielle Nutzung."},{"question":"Was ist schneller für lange Texte ohne Grafikkarte?","answer":"SuperClonica. Nach unseren Schätzungen für einen Desktop-Achtkerner dauert eine Stunde Audio mit SuperClonica etwa 7–11 Minuten, mit VoxCPM 2 zwei bis vier Stunden."}],"cta":{"catalog":"Stimmenkatalog öffnen","install":"Installationsanleitung für SuperClonica"},"sources":[{"label":"VoxCPM-Repository (GitHub)","url":"https://github.com/OpenBMB/VoxCPM"},{"label":"VoxCPM2 Model Card (Hugging Face)","url":"https://huggingface.co/openbmb/VoxCPM2"},{"label":"ONNX-Export mit CPU-Messwerten","url":"https://github.com/DakeQQ/Text-to-Speech-TTS-ONNX#performance"},{"label":"Supertonic 3 Model Card","url":"https://huggingface.co/supertone-oss-archive/supertonic-3"}],"published":"2026-10-17","updated":"2026-10-23","pages":[{"slug":"text-to-speech","path":"/text-to-speech","h1":"Text-to-Speech, das auf Ihrem eigenen Rechner läuft"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic vs. SuperClonica: dasselbe Modell, schneller und sauberer"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio und Fish Speech im Vergleich mit SuperClonica"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice oder SuperClonica: mehr Sprachen oder mehr Tempo"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"Qwen3-TTS oder SuperClonica für lokale Sprachsynthese"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 oder SuperClonica: Studioklang oder CPU-Tempo"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS oder SuperClonica: Zero-Shot-Klonen oder schnelle Sprache auf der CPU"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"Eine Offline-Alternative zu ElevenLabs"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS oder SuperClonica: zwei kleine Modelle für lokale Sprachsynthese"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS oder SuperClonica: kleine Geräte oder eigene Stimmen"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 oder SuperClonica: eine Alternative zu Coqui TTS"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS oder SuperClonica: sofortiger Klon oder trainierte Stimmdatei"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"Text offline in Sprache umwandeln: Schritt für Schritt auf Ihrem Rechner"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"Stimme klonen: So bekommen Sie eine Stimme wie in Ihrer Aufnahme"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"Die besten kostenlosen Text-to-Speech-Modelle für den lokalen Einsatz 2026"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"Text-to-Speech für Videos, Hörbücher, Spiele und Apps"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic-3-Stimmen: woher eigene Stimmen kommen und wie Sie sie nutzen"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Text to Speech in Python: offline, kostenlos und mit natürlichen Stimmen"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"Eigene Text-to-Speech-API in Docker"}]}