COMPARAÇÃO DE MODELOS

VoxCPM 2 ou SuperClonica: som de estúdio ou velocidade no CPU

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.

A comparação abaixo se baseia na documentação do VoxCPM e na nossa própria tabela.

Abrir o catálogo de vozes Guia de instalação do SuperClonica

O que o VoxCPM 2 faz

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.

  • 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.

VoxCPM 2 no CPU e na GPU

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.

Qualidade e estabilidade

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.

Quando o VoxCPM 2 é a melhor escolha

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:

  • 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.