VoxCPM 2 ou SuperClonica : son studio ou vitesse sur CPU
VoxCPM 2, d’OpenBMB, est un modèle de synthèse vocale de 2 milliards de paramètres sorti en avril 2026. Il produit de l’audio en 48 kHz, parle 30 langues, clone des voix et en crée de nouvelles à partir d’une description textuelle, le tout sous Apache 2.0. SuperClonica fait tourner des voix Supertonic 3 ; ce modèle est une vingtaine de fois plus petit, donc beaucoup plus rapide sur CPU, mais moins polyvalent.
La comparaison ci-dessous s’appuie sur la documentation de VoxCPM et sur notre propre tableau.
Ce que sait faire VoxCPM 2
VoxCPM se passe de tokenizer : la parole est générée dans l’espace latent d’un VAE audio par un pipeline autorégressif à diffusion, bâti sur MiniCPM-4.
- 30 langues sans balise de langue, plus neuf dialectes chinois, dont le cantonais et le sichuanais.
- Sortie en 48 kHz à partir d’une référence en 16 kHz, avec super-résolution intégrée.
- Design de voix à partir d’une description en langage naturel, et clonage contrôlable.
- Clonage fidèle à partir d’un extrait de référence et de sa transcription.
- Poids et code sous Apache 2.0, présentés par les auteurs comme gratuits pour un usage commercial.
VoxCPM 2 sur CPU et sur GPU
Sur une RTX 4090, les auteurs annoncent un RTF d’environ 0,3, et d’environ 0,13 avec Nano-vLLM ; le modèle demande autour de 8 Go de VRAM. Sur un Apple M4 Pro via llama.cpp-omni, en poids Q8_0, ils indiquent environ 1,76.
Pour un processeur de bureau à 8 cœurs, nous estimons 2 à 4 fois plus lent que le temps réel : une phrase de 10 secondes prend 20 à 40 secondes. Le point de départ est un export ONNX qui indique 3,8 en poids INT8 sur un Core i3-12300, avec l’hypothèse qu’un CPU plus rapide double au mieux la vitesse. SuperClonica tourne 6,4 à 9,7 fois plus vite que le temps réel, soit 1,0 à 1,6 seconde environ pour la même phrase.
Qualité et stabilité
Notre tableau donne à VoxCPM 2 et à SuperClonica la même note de qualité, 4,5 sur 5. Pour la stabilité du timbre, VoxCPM 2 obtient 3,5 et SuperClonica 5.
Les auteurs de VoxCPM reconnaissent que le design de voix et le clonage contrôlable peuvent varier d’un essai à l’autre, et conseillent de générer une à trois fois. Pour une bande-annonce, ce n’est pas gênant. Pour un jeu où un personnage prononce des milliers de répliques, un fichier de voix fixe est plus simple à garder cohérent.
Quand VoxCPM 2 est le meilleur choix
Optez pour SuperClonica quand la voix tourne sur CPU, hors ligne et en volume, dans l’une des 31 langues de Supertonic 3. VoxCPM 2 l’emporte si :
- vous avez besoin du chinois ou de l’un de ses dialectes ;
- le 48 kHz compte pour de la pub, de la musique ou de la vidéo ;
- vous voulez créer une voix à partir d’une description ou cloner instantanément ;
- vous disposez d’un GPU avec environ 8 Go de mémoire ou plus.