{"kind":"compare","slug":"voxcpm","path":"/compare/voxcpm","title":"VoxCPM 2の代替：CPUで速い音声合成 | SuperClonica","description":"VoxCPM 2とSuperClonicaを比較。48kHz出力、ボイスデザイン、30言語か、CPUで速い小型のSupertonic 3エンジンか。当社の見積もりと選び方。","h1":"VoxCPM 2とSuperClonica：スタジオ品質か、CPUでの速度か","intro":"OpenBMBのVoxCPM 2は、2026年4月に公開された20億パラメータの音声合成モデルです。48kHzで出力し、30言語を話し、声のクローンもテキストの説明からの新しい声の作成もこなし、すべてApache 2.0で公開されています。SuperClonicaが動かすSupertonic 3はおよそ20分の1の大きさなので、CPUではずっと速い反面、できることは限られます。\n\n以下は、VoxCPMのドキュメントと当社の比較表にもとづく比較です。","sections":[{"heading":"VoxCPM 2でできること","paragraphs":["VoxCPMはトークナイザーを使わず、MiniCPM-4をベースにした拡散自己回帰型のパイプラインで、音声VAEの潜在空間上で音声を生成します。"],"points":["言語タグなしで30言語。広東語や四川語など中国語の方言9種にも対応。","16kHzの参考音声から48kHzで出力。超解像を内蔵。","自然文の説明からのボイスデザインと、制御可能なクローン。","参考音声と書き起こしを使った忠実なクローン。","重みとコードはApache 2.0。開発元は商用利用も無料と明記しています。"]},{"heading":"CPUとGPUでのVoxCPM 2","paragraphs":["開発元によると、RTX 4090でのRTFは約0.3、Nano-vLLMを使うと約0.13で、必要なVRAMは約8GBです。Apple M4 Proでllama.cpp-omniとQ8_0の重みを使った場合は約1.76です。","8コアのデスクトップCPUでは、リアルタイムより2〜4倍遅いと当社は見積もっています。10秒の文に20〜40秒です。出発点は、Core i3-12300でINT8重みのRTFが3.8というONNX版の報告で、より速いCPUでも最大2倍速と仮定しました。SuperClonicaはリアルタイムの6.4〜9.7倍速、同じ文で約1.0〜1.6秒です。"]},{"heading":"品質と安定性","paragraphs":["当社の表では、VoxCPM 2とSuperClonicaの品質評価はどちらも5点満点中4.5点です。声色の安定性はVoxCPM 2が3.5点、SuperClonicaが5点です。","VoxCPMの開発元自身も、ボイスデザインと制御可能なクローンは実行ごとに結果がばらつくことがあると認めており、1〜3回生成してみるよう勧めています。予告編1本なら問題ありませんが、1人のキャラクターが何千ものセリフを話すゲームなら、固定の音声ファイルのほうが一貫性を保ちやすいでしょう。"]},{"heading":"VoxCPM 2を選ぶべき場面","paragraphs":["CPUで、オフラインで、大量に、Supertonic 3の31言語のどれかで音声を作るならSuperClonicaです。次のような場合はVoxCPM 2が向いています。"],"points":["中国語やその方言が必要。","広告、音楽、映像のために48kHzが欲しい。","説明文から声を作りたい、またはすぐにクローンしたい。","約8GB以上のメモリを積んだGPUがある。"]}],"faq":[{"question":"VoxCPMはCPUで動きますか？","answer":"ONNX版などの移植で動きます。Core i3-12300でINT8のRTFが3.8と報告されています。8コアのデスクトップCPUでは、リアルタイムより2〜4倍遅いと当社は見積もっています。公式の動作要件はCUDA 12.0以上です。"},{"question":"VoxCPM 2に必要なVRAMはどれくらいですか？","answer":"VoxCPMリポジトリの比較表によると、約8GBです。"},{"question":"VoxCPMは無料で商用利用できますか？","answer":"はい。重みとコードはApache 2.0で公開されており、開発元は商用利用も無料だと明記しています。"},{"question":"GPUなしで長いナレーションを作るなら、どちらが速いですか？","answer":"SuperClonicaです。8コアのデスクトップCPUでの当社の見積もりでは、1時間の音声にSuperClonicaは約7〜11分、VoxCPM 2は2〜4時間かかります。"}],"cta":{"catalog":"音声カタログを開く","install":"SuperClonicaのインストールガイド"},"sources":[{"label":"VoxCPM リポジトリ（GitHub）","url":"https://github.com/OpenBMB/VoxCPM"},{"label":"VoxCPM2 モデルカード（Hugging Face）","url":"https://huggingface.co/openbmb/VoxCPM2"},{"label":"CPUでの数値を含むONNX版","url":"https://github.com/DakeQQ/Text-to-Speech-TTS-ONNX#performance"},{"label":"Supertonic 3 モデルカード","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":"自分のPCで動く音声合成・テキスト読み上げ"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic と SuperClonica：同じモデルで、より速く、よりクリーンに"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio・Fish SpeechとSuperClonicaの比較"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoiceとSuperClonica：言語の多さか、速度か"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"ローカル音声合成ならQwen3-TTSかSuperClonicaか"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2とSuperClonica：スタジオ品質か、CPUでの速度か"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTSとSuperClonica：ゼロショットのクローンか、CPUでの高速読み上げか"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"オフラインで使えるElevenLabsの代替"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTSとSuperClonica：ローカル音声合成の小型モデル2つ"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTSとSuperClonica：小型デバイスか、オリジナル音声か"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2とSuperClonica：Coqui TTSの代替として"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTSとSuperClonica：即時クローンか、学習済みの音声ファイルか"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"自分のPCでテキストをオフライン読み上げする方法"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"ボイスクローン：録音の声に近い音声を手に入れる方法"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"2026年、ローカルで使える無料の音声合成モデル"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"動画、オーディオブック、ゲーム、アプリのテキスト読み上げ"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic 3 の音声：カスタム音声の入手先と使い方"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Pythonで音声合成：オフライン・無料・自然な声で"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"Dockerで動かすセルフホスト音声合成API"}]}