VoxCPM 2 oder SuperClonica: Studioklang oder CPU-Tempo
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.
Der Vergleich unten stützt sich auf die VoxCPM-Dokumentation und unsere eigene Tabelle.
Was VoxCPM 2 kann
VoxCPM arbeitet ohne Tokenizer: Die Sprache entsteht im latenten Raum eines Audio-VAE über eine diffusions-autoregressive Pipeline auf Basis von MiniCPM-4.
- 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.
VoxCPM 2 auf CPU und GPU
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.
Qualität und Stabilität
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.
Wann VoxCPM 2 die bessere Wahl ist
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:
- 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.