COMPARACIÓN DE MODELOS

VoxCPM 2 o SuperClonica: sonido de estudio o velocidad en CPU

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.

A continuación, una comparación basada en la documentación de VoxCPM y en nuestra propia tabla.

Abrir el catálogo de voces Guía de instalación de SuperClonica

Lo que puede hacer VoxCPM 2

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.

  • 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.

VoxCPM 2 en CPU y en GPU

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.

Calidad y estabilidad

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.

Cuándo VoxCPM 2 es mejor opción

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:

  • 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.