OmniVoice oder VoxCPM2: welches offenes Text-zu-Sprache-Modell sollten Sie nutzen?
OmniVoice deckt über 600 Sprachen ab, seine Gewichte sind aber nicht-kommerziell; VoxCPM2 deckt 30 Sprachen unter Apache 2.0 ab. Vergleich von Sprachen, Voice Design und Lizenz.
Fazit. Wählen Sie zuerst nach Lizenz, dann nach Sprachen. VoxCPM2 ist ein 2B-Modell unter Apache 2.0, Sie dürfen es also in einem Produkt einsetzen. Es deckt 30 Sprachen ab, gibt mit 48 kHz aus, kann Voice Design aus einer Textbeschreibung und Klonen und läuft mit etwa 8 GB VRAM. OmniVoice ist kleiner, mit 0.6B, und deckt über 600 Sprachen ab, aber seine Gewichte stehen unter CC BY-NC, es ist also für Forschung und private Projekte gedacht, obwohl der Code Apache 2.0 ist. OmniVoices Voice Design wurde nur mit Chinesisch und Englisch trainiert, und beide Entwickler verbieten Identitätsmissbrauch und Betrug.
Spezifikationen
| Spezifikationen | OmniVoice | VoxCPM2 |
|---|---|---|
| Entwickler | Xiaomi | OpenBMB |
| Erscheinungsdatum | 1. April 2026 | April 2026 |
| Parameter insgesamt | 613M (OmniVoice) | 2.29B (VoxCPM2) |
| Aktive Parameter | Alle | Alle |
| Architektur | Diffusion | Diffusion |
| Kontextfenster | – | – |
| Eingabe | Text, Audio | Text, Audio |
| Lizenz | CC BY-NC (Nicht-kommerziell) | Apache 2.0 (Permissiv) |
| Speicher für die kleinste Variante (4 Bit) | 3.75 GB (OmniVoice) | 8 GB (VoxCPM2) |
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wählen Sie OmniVoice, wenn
- Sie brauchen eine Sprache außerhalb der 30 von VoxCPM2, denn OmniVoice listet über 600 Sprachen.
- Ihr Einsatz ist Forschung oder privat, die CC-BY-NC-Lizenz passt also.
- Sie wollen schnelle Batch-Generierung auf einer GPU mit einem kleinen 0.6B-Modell.
- Sie brauchen ressourcenarme Sprachen, die andere Modelle nicht abdecken, und akzeptieren weniger stabile Ergebnisse.
Wählen Sie VoxCPM2, wenn
- Sie bauen ein Produkt, denn Apache 2.0 erlaubt kommerzielle Nutzung.
- Sie wollen eine neue Stimme aus einer Textbeschreibung, ohne Referenz-Audio.
- Sie brauchen 48-kHz-Ausgabe oder chinesische Dialekte.
- Sie wollen unter Apache 2.0 eine Stimme klonen oder mit wenigen Minuten Audio feintunen.