模型对比

VoxCPM 2 与 SuperClonica：录音棚音质还是 CPU 速度

OpenBMB 的 VoxCPM 2 是 2026 年 4 月发布的 20 亿参数语音合成模型。它输出 48 kHz 音频，支持 30 种语言和 9 种中文方言，既能克隆声音，也能根据文字描述创造新声音，全部以 Apache 2.0 开源。SuperClonica 运行的是 Supertonic 3 音色，这个模型小了约 20 倍，所以在 CPU 上快得多，但功能更少，也不支持中文。

下面的对比基于 VoxCPM 的官方文档和我们的对比表。

打开音色市场 SuperClonica 安装指南

VoxCPM 2 能做什么

VoxCPM 不使用分词器（tokenizer-free）：它基于 MiniCPM-4，在音频 VAE 的潜空间中通过扩散自回归流程生成语音。

  • 30 种语言，无需语言标签；另支持粤语、四川话等 9 种中文方言。
  • 输入 16 kHz 参考音频，直接输出 48 kHz，内置超分辨率。
  • 根据自然语言描述设计声音，并支持可控克隆。
  • 用参考音频加文本进行高保真克隆。
  • 权重和代码采用 Apache 2.0，官方明确可免费商用。

VoxCPM 2 在 CPU 和 GPU 上的表现

官方数据：在 RTX 4090 上 RTF 约 0.3，用 Nano-vLLM 加速后约 0.13，显存需求约 8 GB。在 Apple M4 Pro 上用 llama.cpp-omni 和 Q8_0 权重，RTF 约 1.76。

在 8 核台式机 CPU 上，我们估计 VoxCPM 2 比实时慢 2–4 倍，一句 10 秒的话要 20–40 秒。估算的起点是一个 ONNX 移植版本：在 Core i3-12300 上用 INT8 权重时 RTF 为 3.8；我们假设更快的 CPU 最多能再快一倍。SuperClonica 是实时的 6.4–9.7 倍，同一句话约 1.0–1.6 秒。

音质与稳定性

在我们的表里，VoxCPM 2 和 SuperClonica 的音质都是 4.5 分（满分 5 分）。音色稳定性上，VoxCPM 2 为 3.5 分，SuperClonica 为 5 分。

VoxCPM 官方也提到，声音设计和可控克隆的结果每次运行可能不同，建议生成 1–3 次再挑选。做一支预告片没问题；但如果是同一个角色要说上千句台词的游戏，固定的音色文件更容易保持一致。

什么时候 VoxCPM 2 更合适

如果要在 CPU 上离线、大批量地生成 Supertonic 3 所支持的 31 种语言之一的语音，选 SuperClonica。以下情况则更适合 VoxCPM 2：

  • 需要普通话或中文方言。
  • 广告、音乐或视频需要 48 kHz 音质。
  • 想根据描述设计声音，或即时克隆。
  • 有约 8 GB 或更多显存的 GPU。