СРАВНЕНИЕ МОДЕЛЕЙ

VoxCPM 2 или SuperClonica: студийный звук или скорость на CPU

VoxCPM 2 от OpenBMB — модель синтеза речи на 2 млрд параметров, вышедшая в апреле 2026 года. Она выдаёт звук 48 кГц, говорит на 30 языках, клонирует голоса и создаёт новые по текстовому описанию, всё под Apache 2.0. SuperClonica работает с голосами Supertonic 3, а эта модель примерно в двадцать раз меньше: на CPU она намного быстрее, но и возможностей у неё меньше.

Ниже — сравнение по документации VoxCPM и нашей таблице.

Открыть каталог голосов Инструкция по установке SuperClonica

Что умеет VoxCPM 2

VoxCPM обходится без токенизатора: речь генерируется в латентном пространстве аудио-VAE диффузионно-авторегрессионным конвейером на основе MiniCPM-4.

  • 30 языков без языкового тега и девять китайских диалектов, например кантонский и сычуаньский.
  • Звук 48 кГц из референса 16 кГц со встроенным суперразрешением.
  • Дизайн голоса по описанию на естественном языке и управляемое клонирование.
  • Точное клонирование по записи вместе с её текстом.
  • Веса и код под Apache 2.0; авторы прямо пишут, что коммерческое использование бесплатно.

VoxCPM 2 на CPU и видеокарте

На RTX 4090 авторы указывают RTF около 0,3, а с Nano-vLLM — около 0,13; модели нужно примерно 8 ГБ видеопамяти. На Apple M4 Pro через llama.cpp-omni с весами Q8_0 — около 1,76.

Для настольного 8-ядерного процессора мы оцениваем VoxCPM 2 в 2–4 раза медленнее реального времени: фраза на 10 секунд займёт 20–40 секунд. Отправная точка — ONNX-экспорт с RTF 3,8 при весах INT8 на Core i3-12300 и допущение, что более быстрый CPU даст ускорение до двух раз. SuperClonica работает в 6,4–9,7 раза быстрее реального времени, около 1,0–1,6 секунды на ту же фразу.

Качество и стабильность

В нашей таблице у VoxCPM 2 и SuperClonica одинаковая оценка качества — 4,5 из 5. По стабильности тембра у VoxCPM 2 3,5, у SuperClonica 5.

Авторы VoxCPM сами отмечают, что дизайн голоса и управляемое клонирование от запуска к запуску дают разный результат, и советуют генерировать от одного до трёх раз. Для одного трейлера это не проблема. Для игры, где персонаж произносит тысячи реплик, единый тембр проще держать с фиксированным файлом голоса.

Когда VoxCPM 2 — лучший выбор

SuperClonica стоит выбрать, когда озвучка идёт на процессорах, офлайн и в больших объёмах на одном из 31 языка Supertonic 3. VoxCPM 2 лучше, если:

  • нужен китайский или один из его диалектов;
  • важен звук 48 кГц для рекламы, музыки или видео;
  • хочется создать голос по описанию или клонировать его мгновенно;
  • есть видеокарта примерно с 8 ГБ памяти или больше.