{"kind":"compare","slug":"voxcpm","path":"/compare/voxcpm","title":"Alternativa a VoxCPM 2: voz rápida en CPU | SuperClonica","description":"VoxCPM 2 o SuperClonica: audio a 48 kHz, diseño de voz y 30 idiomas frente a un motor de Supertonic 3 más rápido en CPU. Estimaciones y cuándo usar cada uno.","h1":"VoxCPM 2 o SuperClonica: sonido de estudio o velocidad en CPU","intro":"VoxCPM 2, de OpenBMB, es un modelo de texto a voz de 2000 millones de parámetros publicado en abril de 2026. Genera audio a 48 kHz, habla 30 idiomas, clona voces y crea otras nuevas a partir de una descripción de texto, todo bajo Apache 2.0. SuperClonica ejecuta voces de Supertonic 3, un modelo unas veinte veces más pequeño: mucho más rápido en CPU, pero menos versátil.\n\nA continuación, una comparación basada en la documentación de VoxCPM y en nuestra propia tabla.","sections":[{"heading":"Lo que puede hacer VoxCPM 2","paragraphs":["VoxCPM no usa tokenizador: genera la voz en el espacio latente de un VAE de audio mediante un pipeline autorregresivo de difusión construido sobre MiniCPM-4."],"points":["30 idiomas sin etiqueta de idioma, más nueve dialectos del chino, como el cantonés y el de Sichuan.","Salida a 48 kHz a partir de una referencia a 16 kHz, con superresolución integrada.","Diseño de voz a partir de una descripción en lenguaje natural y clonación controlable.","Clonación fiel a partir de un clip de referencia y su transcripción.","Pesos y código bajo Apache 2.0; los autores lo presentan como gratuito para uso comercial."]},{"heading":"VoxCPM 2 en CPU y en GPU","paragraphs":["En una RTX 4090 los autores indican un RTF de unos 0,3, y de unos 0,13 con Nano-vLLM; el modelo necesita alrededor de 8 GB de VRAM. En un Apple M4 Pro con llama.cpp-omni y pesos Q8_0 indican unos 1,76.","Para un procesador de sobremesa de 8 núcleos estimamos de 2 a 4 veces más lento que el tiempo real: una frase de 10 segundos tarda entre 20 y 40 segundos. Partimos de una exportación ONNX que indica 3,8 con pesos INT8 en un Core i3-12300 y suponemos que una CPU más rápida, como mucho, duplica la velocidad. SuperClonica va de 6,4 a 9,7 veces más rápido que el tiempo real, unos 1,0–1,6 segundos para la misma frase."]},{"heading":"Calidad y estabilidad","paragraphs":["Nuestra tabla da a VoxCPM 2 y a SuperClonica la misma nota de calidad: 4,5 sobre 5. En estabilidad del timbre, VoxCPM 2 obtiene 3,5 y SuperClonica 5.","Los propios autores de VoxCPM reconocen que el diseño de voz y la clonación controlable pueden variar de una ejecución a otra, y recomiendan generar de una a tres veces. Para un tráiler no es problema. Para un juego en el que un personaje dice miles de frases, es más fácil mantener la coherencia con un archivo de voz fijo."]},{"heading":"Cuándo VoxCPM 2 es mejor opción","paragraphs":["Elige SuperClonica cuando la voz se genera en CPU, sin conexión y en volumen, en alguno de los 31 idiomas de Supertonic 3. VoxCPM 2 es mejor si:"],"points":["necesitas chino o alguno de sus dialectos;","los 48 kHz importan para publicidad, música o vídeo;","quieres diseñar una voz a partir de una descripción o clonarla al instante;","tienes una GPU con unos 8 GB de memoria o más."]}],"faq":[{"question":"¿VoxCPM funciona en CPU?","answer":"Sí, mediante adaptaciones como una exportación ONNX, que indica un RTF de 3,8 con INT8 en un Core i3-12300. En una CPU de sobremesa de 8 núcleos estimamos de 2 a 4 veces más lento que el tiempo real. Los requisitos oficiales piden CUDA 12.0 o posterior."},{"question":"¿Cuánta VRAM necesita VoxCPM 2?","answer":"Unos 8 GB, según la tabla comparativa del repositorio de VoxCPM."},{"question":"¿VoxCPM es gratis para uso comercial?","answer":"Sí. Los pesos y el código se publican bajo Apache 2.0, y los autores los describen expresamente como gratuitos para uso comercial."},{"question":"¿Qué es más rápido para narraciones largas sin tarjeta gráfica?","answer":"SuperClonica. Según nuestras estimaciones para una CPU de sobremesa de 8 núcleos, una hora de audio tarda unos 7–11 minutos con SuperClonica y de 2 a 4 horas con VoxCPM 2."}],"cta":{"catalog":"Abrir el catálogo de voces","install":"Guía de instalación de SuperClonica"},"sources":[{"label":"Repositorio de VoxCPM (GitHub)","url":"https://github.com/OpenBMB/VoxCPM"},{"label":"Ficha del modelo VoxCPM2 (Hugging Face)","url":"https://huggingface.co/openbmb/VoxCPM2"},{"label":"Exportación ONNX con datos de CPU","url":"https://github.com/DakeQQ/Text-to-Speech-TTS-ONNX#performance"},{"label":"Ficha del modelo Supertonic 3","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":"Texto a voz que funciona en tu propio equipo"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic vs SuperClonica: el mismo modelo, más rápido y limpio"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio y Fish Speech frente a SuperClonica"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice o SuperClonica: más idiomas o más velocidad"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"Qwen3-TTS o SuperClonica para texto a voz en local"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 o SuperClonica: sonido de estudio o velocidad en CPU"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS o SuperClonica: clonación zero-shot o voz rápida en CPU"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"Una alternativa a ElevenLabs que funciona sin conexión"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS o SuperClonica: dos modelos pequeños de texto a voz local"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS o SuperClonica: dispositivos pequeños o voces propias"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 o SuperClonica: una alternativa a Coqui TTS"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS o SuperClonica: clonación al instante o un archivo de voz entrenado"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"Cómo convertir texto a voz sin conexión en tu ordenador"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"Clonación de voz: cómo conseguir una voz parecida a una grabación"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"Los mejores modelos de texto a voz gratis para usar en local en 2026"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"Texto a voz para vídeos, audiolibros, juegos y apps"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Voces de Supertonic 3: dónde conseguir voces propias y cómo usarlas"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Texto a voz en Python: sin conexión, gratis y con voces naturales"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"API de texto a voz autoalojada en Docker"}]}