OmniVoice と VoxCPM2 の比較:どちらのオープンな音声合成(TTS)モデルを選ぶべきか?
OmniVoice は 600 以上の言語に対応しますが、重みは非商用です。VoxCPM2 は Apache 2.0 で 30 言語に対応します。言語、ボイスデザイン、ライセンスを比較します。
結論. まずライセンス、次に対応言語で選びましょう。VoxCPM2 は Apache 2.0 の 2B モデルなので、製品に使えます。30 言語に対応し、出力は 48 kHz、テキスト記述からのボイスデザインやクローニングに対応し、約 8 GB の VRAM で動きます。OmniVoice は 0.6B と小さく、600 以上の言語に対応しますが、重みは CC BY-NC なので、コードは Apache 2.0 でも研究と個人プロジェクト向けです。OmniVoice のボイスデザインは中国語と英語のみで学習されており、両開発者ともなりすましや詐欺を禁じています。
仕様
| 仕様 | OmniVoice | VoxCPM2 |
|---|---|---|
| 開発元 | Xiaomi | OpenBMB |
| リリース日 | 2026年4月1日 | 2026年4月 |
| 総パラメータ数 | 613M (OmniVoice) | 2.29B (VoxCPM2) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | 拡散モデル | 拡散モデル |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 音声 | テキスト, 音声 |
| ライセンス | CC BY-NC (非商用) | Apache 2.0 (パーミッシブ) |
| 最小バリエーションの必要メモリ(4ビット) | 3.75 GB (OmniVoice) | 8 GB (VoxCPM2) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
OmniVoice を選ぶべきケース
- VoxCPM2 の 30 言語にない言語が必要な場合。OmniVoice は 600 以上の言語を挙げています。
- 用途が研究や個人なら、CC BY-NC ライセンスでも問題ありません。
- 0.6B の小さなモデルで、1 枚の GPU 上の高速バッチ生成が欲しい場合。
- 他のモデルがカバーしない低資源言語が必要で、やや不安定な結果を受け入れられる場合。
VoxCPM2 を選ぶべきケース
- 製品を作っている場合。Apache 2.0 なら商用利用できます。
- 参照音声なしで、テキスト記述から新しい声を作りたい場合。
- 48 kHz 出力や中国語の方言が必要な場合。
- Apache 2.0 の下で、数分の音声から声をクローンしたりファインチューニングしたりしたい場合。