{"kind":"compare","slug":"voxcpm","path":"/compare/voxcpm","title":"Alternativa ao VoxCPM 2: voz rápida no CPU | SuperClonica","description":"VoxCPM 2 ou SuperClonica: áudio em 48 kHz, design de voz e 30 idiomas contra um motor do Supertonic 3 mais rápido no CPU. Estimativas e quando usar cada um.","h1":"VoxCPM 2 ou SuperClonica: som de estúdio ou velocidade no CPU","intro":"O VoxCPM 2, da OpenBMB, é um modelo de texto para fala com 2 bilhões de parâmetros, lançado em abril de 2026. Ele gera áudio em 48 kHz, fala 30 idiomas, clona vozes e cria vozes novas a partir de uma descrição em texto, tudo sob Apache 2.0. O SuperClonica roda vozes do Supertonic 3, um modelo cerca de vinte vezes menor: muito mais rápido no CPU, porém menos versátil.\n\nA comparação abaixo se baseia na documentação do VoxCPM e na nossa própria tabela.","sections":[{"heading":"O que o VoxCPM 2 faz","paragraphs":["O VoxCPM dispensa tokenizador: gera a fala no espaço latente de um VAE de áudio, com um pipeline autorregressivo de difusão construído sobre o MiniCPM-4."],"points":["30 idiomas sem tag de idioma, além de nove dialetos do chinês, como o cantonês e o de Sichuan.","Saída em 48 kHz a partir de uma referência em 16 kHz, com super-resolução embutida.","Design de voz a partir de uma descrição em linguagem natural e clonagem controlável.","Clonagem fiel a partir de um trecho de referência com a transcrição.","Pesos e código sob Apache 2.0; os autores descrevem o modelo como gratuito para uso comercial."]},{"heading":"VoxCPM 2 no CPU e na GPU","paragraphs":["Em uma RTX 4090, os autores informam RTF de cerca de 0,3, e cerca de 0,13 com Nano-vLLM; o modelo precisa de uns 8 GB de VRAM. Em um Apple M4 Pro com llama.cpp-omni e pesos Q8_0, informam cerca de 1,76.","Para um processador de desktop de 8 núcleos, estimamos de 2 a 4 vezes mais lento que o tempo real: uma frase de 10 segundos leva de 20 a 40 segundos. O ponto de partida é uma exportação ONNX que informa 3,8 com pesos INT8 em um Core i3-12300, supondo que um CPU mais rápido no máximo dobre a velocidade. O SuperClonica roda de 6,4 a 9,7 vezes mais rápido que o tempo real, cerca de 1,0 a 1,6 segundo para a mesma frase."]},{"heading":"Qualidade e estabilidade","paragraphs":["Nossa tabela dá ao VoxCPM 2 e ao SuperClonica a mesma nota de qualidade: 4,5 de 5. Em estabilidade do timbre, o VoxCPM 2 recebe 3,5 e o SuperClonica, 5.","Os próprios autores do VoxCPM dizem que o design de voz e a clonagem controlável podem variar de uma execução para outra, e sugerem gerar de uma a três vezes. Para um trailer, tudo bem. Para um jogo em que um personagem diz milhares de falas, é mais fácil manter a consistência com um arquivo de voz fixo."]},{"heading":"Quando o VoxCPM 2 é a melhor escolha","paragraphs":["Escolha o SuperClonica quando a voz roda no CPU, offline e em volume, em um dos 31 idiomas do Supertonic 3. O VoxCPM 2 é melhor se:"],"points":["você precisa de chinês ou de um dos seus dialetos;","os 48 kHz fazem diferença em publicidade, música ou vídeo;","você quer criar uma voz a partir de uma descrição ou clonar na hora;","você tem uma GPU com cerca de 8 GB de memória ou mais."]}],"faq":[{"question":"O VoxCPM roda no CPU?","answer":"Sim, por meio de adaptações como uma exportação ONNX, que informa RTF de 3,8 com INT8 em um Core i3-12300. Em um CPU de desktop de 8 núcleos, estimamos de 2 a 4 vezes mais lento que o tempo real. Os requisitos oficiais pedem CUDA 12.0 ou mais recente."},{"question":"Quanta VRAM o VoxCPM 2 precisa?","answer":"Cerca de 8 GB, segundo a tabela comparativa do repositório do VoxCPM."},{"question":"O VoxCPM é grátis para uso comercial?","answer":"Sim. Pesos e código são publicados sob Apache 2.0, e os autores dizem com todas as letras que o uso comercial é gratuito."},{"question":"O que é mais rápido para narrações longas sem placa de vídeo?","answer":"O SuperClonica. Pelas nossas estimativas para um CPU de desktop de 8 núcleos, uma hora de áudio leva cerca de 7 a 11 minutos com o SuperClonica e de 2 a 4 horas com o VoxCPM 2."}],"cta":{"catalog":"Abrir o catálogo de vozes","install":"Guia de instalação do SuperClonica"},"sources":[{"label":"Repositório do VoxCPM (GitHub)","url":"https://github.com/OpenBMB/VoxCPM"},{"label":"Página do modelo VoxCPM2 (Hugging Face)","url":"https://huggingface.co/openbmb/VoxCPM2"},{"label":"Exportação ONNX com dados de CPU","url":"https://github.com/DakeQQ/Text-to-Speech-TTS-ONNX#performance"},{"label":"Página do 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 para fala que roda no seu próprio computador"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic vs SuperClonica: o mesmo modelo, mais rápido e limpo"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio e Fish Speech comparados ao SuperClonica"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice ou SuperClonica: mais idiomas ou mais velocidade"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"Qwen3-TTS ou SuperClonica para texto para fala local"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 ou SuperClonica: som de estúdio ou velocidade no CPU"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS ou SuperClonica: clonagem zero-shot ou fala rápida no CPU"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"Uma alternativa offline ao ElevenLabs"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS ou SuperClonica: dois modelos pequenos de texto para fala local"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS ou SuperClonica: aparelhos pequenos ou vozes sob medida"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 ou SuperClonica: uma alternativa ao Coqui TTS"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS ou SuperClonica: clonagem na hora ou um arquivo de voz treinado"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"Como converter texto em fala offline no seu computador"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"Clonagem de voz: como conseguir uma voz parecida com uma gravação"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"Os melhores modelos de texto para fala grátis para uso local em 2026"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"Texto para fala para vídeos, audiolivros, jogos e apps"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Vozes do Supertonic 3: onde conseguir vozes próprias e como usá-las"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Texto para fala em Python: offline, grátis e com vozes naturais"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"API de texto para fala auto-hospedada no Docker"}]}