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

更新于 2026-10-23

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。

## 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。

## 更多语音合成内容

- [在自己电脑上运行的语音合成](https://superclonica.com/zh/text-to-speech)
- [Supertonic 与 SuperClonica：同一模型，更快更干净](https://superclonica.com/zh/compare/supertonic)
- [Fish Audio、Fish Speech 与 SuperClonica 对比](https://superclonica.com/zh/compare/fish-audio)
- [OmniVoice 与 SuperClonica：语言更多，还是速度更快](https://superclonica.com/zh/compare/omnivoice)
- [本地语音合成：Qwen3-TTS 还是 SuperClonica](https://superclonica.com/zh/compare/qwen3-tts)
- [F5-TTS 与 SuperClonica：零样本克隆还是 CPU 上的快速合成](https://superclonica.com/zh/compare/f5-tts)
- [可离线使用的 ElevenLabs 替代方案](https://superclonica.com/zh/compare/elevenlabs)
- [Kokoro TTS 与 SuperClonica：两个小模型的本地语音合成](https://superclonica.com/zh/compare/kokoro)
- [Piper TTS 与 SuperClonica：小设备还是定制音色](https://superclonica.com/zh/compare/piper)
- [Coqui XTTS-v2 与 SuperClonica：Coqui TTS 的替代方案](https://superclonica.com/zh/compare/xtts)
- [Chatterbox TTS 与 SuperClonica：即时克隆还是训练好的音色文件](https://superclonica.com/zh/compare/chatterbox)

## 语音合成指南

- [如何在自己的电脑上离线把文字转成语音](https://superclonica.com/zh/guides/offline-text-to-speech)
- [声音克隆：如何得到一个像录音里那样的声音](https://superclonica.com/zh/guides/voice-cloning)
- [2026 年适合本地运行的免费语音合成模型](https://superclonica.com/zh/guides/best-free-tts-models)
- [为视频、有声书、游戏和应用做文字转语音配音](https://superclonica.com/zh/guides/text-to-speech-for-videos)
- [Supertonic 3 音色：自定义音色的来源与使用方法](https://superclonica.com/zh/guides/supertonic-3-voices)
- [Python 文字转语音：离线、免费、自然的音色](https://superclonica.com/zh/guides/python-text-to-speech)
- [在 Docker 中自建文字转语音 API](https://superclonica.com/zh/guides/text-to-speech-api-docker)

## 常见问题

### VoxCPM 能在 CPU 上运行吗？

可以，通过 ONNX 等移植版本运行：在 Core i3-12300 上用 INT8 时 RTF 为 3.8。我们估计在 8 核台式机 CPU 上比实时慢 2–4 倍。官方环境要求 CUDA 12.0 及以上。

### VoxCPM 2 需要多少显存？

根据 VoxCPM 仓库中的对比表，约 8 GB。

### VoxCPM 可以免费商用吗？

可以。权重和代码以 Apache 2.0 发布，官方明确表示可免费商用。

### 没有显卡时，长篇旁白用哪个更快？

SuperClonica。按我们对 8 核台式机 CPU 的估算，1 小时音频用 SuperClonica 约需 7–11 分钟，用 VoxCPM 2 需要 2–4 小时。不过如果旁白是中文，目前只能选 VoxCPM 2 这类支持中文的模型。

- [打开音色市场](https://superclonica.com/zh/explore)
- [SuperClonica 安装指南](https://superclonica.com/zh/superclonica)

## 参考来源

- [VoxCPM 代码仓库（GitHub）](https://github.com/OpenBMB/VoxCPM)
- [VoxCPM2 模型卡（Hugging Face）](https://huggingface.co/openbmb/VoxCPM2)
- [含 CPU 数据的 ONNX 移植版](https://github.com/DakeQQ/Text-to-Speech-TTS-ONNX#performance)
- [Supertonic 3 模型卡](https://huggingface.co/supertone-oss-archive/supertonic-3)
- [SuperClonica](https://superclonica.com/zh/)
- [文字转语音 AI 声音目录](https://superclonica.com/zh/explore)
- [Supertonic 3 定制音色委托](https://superclonica.com/zh/requests)
- [工作原理：音色、本地语音、训练](https://superclonica.com/zh/guide)
- [安装更快的 Supertonic 3 引擎](https://superclonica.com/zh/superclonica)
- [关于我们：语音合成爱好者团队](https://superclonica.com/zh/about)
- [联系方式、支持与音色投诉](https://superclonica.com/zh/contacts)
- [隐私政策](https://superclonica.com/zh/privacy)
- [使用条款](https://superclonica.com/zh/terms)
- [语音合成](https://superclonica.com/zh/text-to-speech)