OmniVoice vs. VoxCPM2: qual modelo de texto para fala aberto usar?
OmniVoice cobre mais de 600 idiomas, mas seus pesos são não comerciais; o VoxCPM2 cobre 30 idiomas sob Apache 2.0. Compare idiomas, design de voz e licença.
Veredito. Escolha primeiro pela licença, depois pelos idiomas. O VoxCPM2 é um modelo de 2B sob Apache 2.0, então você pode usá-lo em um produto. Ele cobre 30 idiomas com saída em 48 kHz, design de voz a partir de uma descrição em texto e clonagem, e roda com cerca de 8 GB de VRAM. O OmniVoice é menor, com 0.6B, e cobre mais de 600 idiomas, mas seus pesos são CC BY-NC, então serve para pesquisa e projetos pessoais mesmo com o código sob Apache 2.0. O design de voz do OmniVoice foi treinado apenas com chinês e inglês, e ambos os desenvolvedores proíbem personificação e fraude.
Especificações
| Especificações | OmniVoice | VoxCPM2 |
|---|---|---|
| Desenvolvedor | Xiaomi | OpenBMB |
| Lançamento | 1 de abril de 2026 | abril de 2026 |
| Total de parâmetros | 613M (OmniVoice) | 2.29B (VoxCPM2) |
| Parâmetros ativos | Todos | Todos |
| Arquitetura | Difusão | Difusão |
| Janela de contexto | – | – |
| Entrada | Texto, Áudio | Texto, Áudio |
| Licença | CC BY-NC (Não comercial) | Apache 2.0 (Permissiva) |
| Memória para a menor variante (4 bits) | 3.75 GB (OmniVoice) | 8 GB (VoxCPM2) |
As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.
Escolha OmniVoice se
- Você precisa de um idioma fora dos 30 do VoxCPM2, já que o OmniVoice lista mais de 600 idiomas.
- Seu uso é pesquisa ou pessoal, então a licença CC BY-NC serve.
- Você quer geração em lote rápida em uma GPU com um modelo pequeno de 0.6B.
- Você precisa de idiomas de baixos recursos que outros modelos não cobrem e pode aceitar resultados menos estáveis.
Escolha VoxCPM2 se
- Você está construindo um produto, porque o Apache 2.0 permite uso comercial.
- Você quer uma voz nova a partir de uma descrição em texto, sem áudio de referência.
- Você precisa de saída em 48 kHz ou dialetos chineses.
- Você quer clonar uma voz ou fazer fine-tuning com alguns minutos de áudio sob Apache 2.0.