OmniVoice ou VoxCPM2 : quel modèle de synthèse vocale ouvert choisir ?
OmniVoice couvre plus de 600 langues mais ses poids sont non commerciaux ; VoxCPM2 couvre 30 langues sous Apache 2.0. Comparez langues, design de voix et licence.
Verdict. Choisissez d'abord selon la licence, puis selon les langues. VoxCPM2 est un modèle de 2B sous Apache 2.0, vous pouvez donc l'utiliser dans un produit. Il couvre 30 langues avec une sortie en 48 kHz, le design de voix à partir d'une description textuelle et le clonage, et tourne avec environ 8 Go de VRAM. OmniVoice est plus petit, 0.6B, et couvre plus de 600 langues, mais ses poids sont sous CC BY-NC, donc réservés à la recherche et aux projets personnels même si le code est Apache 2.0. Le design de voix d'OmniVoice n'a été entraîné qu'en chinois et en anglais, et les deux développeurs interdisent l'usurpation d'identité et la fraude.
Spécifications
| Spécifications | OmniVoice | VoxCPM2 |
|---|---|---|
| Développeur | Xiaomi | OpenBMB |
| Date de sortie | 1 avril 2026 | avril 2026 |
| Paramètres totaux | 613M (OmniVoice) | 2.29B (VoxCPM2) |
| Paramètres actifs | Tous | Tous |
| Architecture | Diffusion | Diffusion |
| Fenêtre de contexte | – | – |
| Entrée | Texte, Audio | Texte, Audio |
| Licence | CC BY-NC (Non commerciale) | Apache 2.0 (Permissive) |
| Mémoire pour la plus petite variante (4 bits) | 3.75 GB (OmniVoice) | 8 GB (VoxCPM2) |
Les affirmations de performance viennent du développeur et n’ont pas été vérifiées de manière indépendante.
Choisissez OmniVoice si
- Vous avez besoin d'une langue hors des 30 de VoxCPM2, car OmniVoice liste plus de 600 langues.
- Votre usage est la recherche ou personnel, donc la licence CC BY-NC convient.
- Vous voulez une génération par lots rapide sur une GPU avec un petit modèle de 0.6B.
- Vous avez besoin de langues peu dotées que les autres modèles ne couvrent pas et vous acceptez des résultats moins stables.
Choisissez VoxCPM2 si
- Vous construisez un produit, car Apache 2.0 autorise l'usage commercial.
- Vous voulez une nouvelle voix à partir d'une description textuelle, sans audio de référence.
- Vous avez besoin d'une sortie en 48 kHz ou de dialectes chinois.
- Vous voulez cloner une voix ou fine-tuner à partir de quelques minutes d'audio sous Apache 2.0.