VoxCPM 2와 SuperClonica: 스튜디오 음질인가, CPU 속도인가
OpenBMB의 VoxCPM 2는 2026년 4월 공개된 20억 파라미터 음성 합성 모델입니다. 48kHz로 출력하고, 30개 언어를 말하며, 목소리 복제와 텍스트 설명으로 새 목소리 만들기까지 하고, 모두 Apache 2.0으로 공개되어 있습니다. SuperClonica가 돌리는 Supertonic 3는 크기가 약 20분의 1이라 CPU에서는 훨씬 빠르지만, 할 수 있는 일은 적습니다.
아래는 VoxCPM 문서와 저희 비교표를 바탕으로 한 비교입니다.
VoxCPM 2가 할 수 있는 것
VoxCPM은 토크나이저 없이, MiniCPM-4 기반의 확산 자기회귀 파이프라인으로 오디오 VAE의 잠재 공간에서 음성을 생성합니다.
- 언어 태그 없이 30개 언어. 광둥어, 쓰촨어 등 중국어 방언 9종도 지원.
- 16kHz 참고 음성으로 48kHz 출력, 초해상도 내장.
- 자연어 설명으로 목소리 디자인, 제어 가능한 복제.
- 참고 음성과 대본으로 하는 충실한 복제.
- 가중치와 코드는 Apache 2.0. 개발진은 상업적 이용도 무료라고 명시합니다.
CPU와 GPU에서의 VoxCPM 2
개발진에 따르면 RTX 4090에서 RTF는 약 0.3, Nano-vLLM을 쓰면 약 0.13이며, 필요한 VRAM은 약 8GB입니다. Apple M4 Pro에서 llama.cpp-omni와 Q8_0 가중치를 쓰면 약 1.76입니다.
8코어 데스크톱 CPU에서는 실시간보다 2~4배 느리다고 저희는 추정합니다. 10초 문장에 20~40초입니다. 출발점은 Core i3-12300에서 INT8 가중치로 RTF 3.8을 보고한 ONNX 버전이며, 더 빠른 CPU라도 최대 2배 빨라진다고 가정했습니다. SuperClonica는 실시간보다 6.4~9.7배 빨라서 같은 문장에 약 1.0~1.6초입니다.
품질과 안정성
저희 표에서 VoxCPM 2와 SuperClonica의 품질 점수는 둘 다 5점 만점에 4.5점입니다. 음색 안정성은 VoxCPM 2가 3.5점, SuperClonica가 5점입니다.
VoxCPM 개발진도 목소리 디자인과 제어 가능한 복제는 실행할 때마다 결과가 달라질 수 있다고 밝히며, 1~3번 생성해 보라고 권합니다. 예고편 하나라면 괜찮습니다. 하지만 한 캐릭터가 수천 개의 대사를 말하는 게임이라면, 고정된 목소리 파일이 일관성을 지키기 쉽습니다.
VoxCPM 2가 더 나은 경우
CPU에서, 오프라인으로, 대량으로, Supertonic 3의 31개 언어 중 하나로 음성을 만든다면 SuperClonica입니다. 다음과 같은 경우에는 VoxCPM 2가 낫습니다.
- 중국어나 중국어 방언이 필요할 때.
- 광고, 음악, 영상을 위해 48kHz가 필요할 때.
- 설명으로 목소리를 만들거나 바로 복제하고 싶을 때.
- 메모리 8GB 이상의 GPU가 있을 때.