VoxCPM2: 900.000 Unduhan per Bulan, dan Transformers Masih Tidak Bisa Memuatnya

Metadata Hugging Face untuk VoxCPM2 mencantumkan library-nya sebagai voxcpm — bukan transformers. Bidang tunggal itu menjelaskan celah aneh di dunia speech open-source saat ini: model text-to-speech 2B-parameter milik OpenBMB meraih 900.282 unduhan dalam tiga puluh hari terakhir, menghasilkan 25 finetune publik, 10 kuantisasi, 7 adapter, dan lebih dari 100 Spaces, namun tetap tidak dapat dimuat oleh library yang hampir semua model lain di situs tersebut gunakan. Pull request untuk memperbaikinya diajukan pada 4 Agustus 2026 dan masih terbuka hingga hari ini.

Kesenjangan itu perlu dipahami sebelum perbaikan tiba, karena hal itu menentukan berapa biaya integrasi model ini minggu ini dibandingkan kuartal depan. Dan hal itu bertumpu pada pertanyaan yang lebih menarik, yaitu apakah VoxCPM2 sebenarnya sejauh yang ditunjukkan oleh liputan. Semua yang di bawah ini diperoleh dari tiga sumber utama: openbmb/VoxCPM2yaitu kartu model dan metadata repositori, README GitHub OpenBMB/VoxCPM, dan Laporan Teknis VoxCPM2 (arXiv:2606.06928, diajukan 5 Juni 2026). Setiap angka tolok ukur dalam artikel ini adalah milik OpenBMB sendiri, dijalankan oleh OpenBMB, dan — sebagaimana dinyatakan makalah itu sendiri pada tabel perbandingan utamanya — angka-angka pesaing di dalamnya disalin dari makalah lain, bukan dijalankan ulang pada kondisi yang setara. Sejauh yang kami temukan, tidak ada laboratorium independen yang menerbitkan reproduksi dari semua itu.

Lembar spesifikasi, dalam satu layar.

VoxCPM2 dirilis pada April 2026 (repositori Hugging Face dibuat pada 3 April, terakhir diubah 16 April) sebagai generasi ketiga dari lini VoxCPM. Dibandingkan dengan pendahulu langsungnya:

• Ukuran — parameter 2B dibandingkan dengan backbone 0.8B milik VoxCPM1.5 dan backbone 0.6B milik VoxCPM-0.5B.

• Bahasa — 30 plus 9 dialek Tionghoa, dibandingkan hanya Tionghoa dan Inggris di kedua versi sebelumnya.

• Audio — menerima referensi 16 kHz, mengeluarkan 48 kHz, vs VoxCPM1.5 dengan input dan output simetris 44.1 kHz.

• Backbone — MiniCPM-4-1B (28 lapisan, lebar 2048) sebagai model bahasa semantik teks, naik dari MiniCPM-4-0.5B (24 lapisan, lebar 1024).

• Anggaran urutan — 8192 token pada laju token sisi model bahasa 6,25 Hz, yang setara dengan sekitar 20 menit audio dalam satu konteks.

• Biaya satu detik ucapan — faktor real-time 0.30 pada PyTorch biasa dan 0.13 melalui Nano-vLLM di satu RTX 4090, dengan sekitar 8 GB VRAM. VoxCPM1.5 mencapai 0.15 pada 0.8B dan 6 GB.

• Lisensi — Apache-2.0 pada bobot, kode finetuning, dan perkakas inferensi. Tanpa gerbang, tanpa klausul penggunaan yang dapat diterima, penggunaan komersial diizinkan.

• Data pelatihan — "lebih dari 2 juta jam" ucapan multibahasa, tanpa korpus yang disebutkan dan tanpa pernyataan asal-usul.

Baca baris RTF dua kali, karena ia berjalan ke arah yang salah. VoxCPM2 kira-kira dua kali lebih lambat per detik audio yang dihasilkan dibandingkan model 0.8B yang digantikannya, dan membutuhkan VRAM sepertiga lebih banyak. Model 2B itu tidak membeli throughput; ia membeli bahasa dan kendali, dan membebankan latensi sebagai gantinya. Jika Anda menjalankan agen real-time, trade-off itulah hal pertama yang harus diperhitungkan.

Apa yang sebenarnya diubah oleh PR #47756

Saat ini, menjalankan VoxCPM2 berarti menginstal paket milik OpenBMB — pip install voxcpm, Python 3.10 hingga 3.12, PyTorch 2.5 atau lebih baru, CUDA 12 atau lebih baru — dan memuat model melalui sebuah VoxCPM.from_pretrained panggilan yang tidak ada hubungannya dengan API Transformers. Semua hal setelah keputusan itu bersifat khusus: penanganan batch Anda sendiri, kode perekat penyajian Anda sendiri, penanganan lima mode generasi Anda sendiri.

Pekerjaan yang sedang berjalan akan mengubah hal itu. Issue #47695, "Menambahkan dukungan native untuk OpenBMB VoxCPM2," diajukan pada 31 Juli. PR #47756, "dukungan untuk VoxCPM2," menyusul pada 4 Agustus dan terakhir diperbarui pada 5 Agustus. PR tersebut membawa label "New model" dan menambahkan konfigurasi modular serta implementasi pemodelan, tokenizer dan prosesor khusus, encode dan decode AudioVAE dengan streaming, pengkondisian suara referensi, kelanjutan audio prompt, registrasi kelas otomatis, dan entri pipeline teks-ke-waveform — dengan 64 pengujian model dilaporkan lulus. PR ini ditumpuk di atas PR #47736, yang menambahkan MiniCPM4 itu sendiri; backbone teks harus digabungkan sebelum model ucapan yang membungkusnya dapat digabungkan.

Dua detail patut diperhatikan, dan keduanya meredam optimisme. Pertama, ketiga item — issue dan kedua pull request — dibuka oleh kontributor komunitas perorangan yang sama, bukan oleh OpenBMB dan bukan oleh pemelihara Hugging Face. Tidak ada komitmen vendor di balik ini, sehingga tidak ada linimasa yang dapat Anda jadikan acuan. Kedua, tumpukan dua PR dengan 203 commit yang menyentuh modalitas baru bukanlah review yang cepat. PR untuk model baru di Transformers biasanya memakan waktu berminggu-minggu untuk bolak-balik dengan pemelihara, dan yang ini baru memiliki empat komentar sejauh ini.

Secara praktis: jika kelas Transformers asli menjadi penopang arsitektur Anda — karena Anda menstandarkan pada AutoModel, atau karena lapisan layanan Anda hanya mendukung Transformers — VoxCPM2 belum siap untuk Anda, dan belum ada tanggalnya. Jika Anda bisa hidup di dalam voxcpm paket, model tersebut sepenuhnya dapat digunakan saat ini, dan ekosistem jelas telah memilih bahwa ini dapat ditoleransi: 900.282 unduhan terjadi tanpa dukungan native sama sekali. Ada juga jalan tengah yang luput dari sebagian besar liputan. OpenBMB merilis integrasi vLLM-Omni yang mengekspos endpoint yang kompatibel dengan OpenAI /v1/audio/speech endpoint, serta build llama.cpp-omni dengan bobot GGUF yang berjalan di CPU, Metal, CUDA, atau Vulkan tanpa ketergantungan Python sama sekali. Jika yang sebenarnya Anda inginkan dari Transformers adalah permukaan layanan standar, bukan kelas itu sendiri, itu sudah ada.

"Tokenizer-free" tidak berarti tidak terkuantisasi.

Frasa di setiap judul tentang model ini adalah yang paling sering salah dibaca. VoxCPM2 tidak memiliki codec audio diskrit eksternal — tidak ada kosakata terpelajar dari token ucapan yang berada di antara model bahasa dan bentuk gelombang, seperti yang ada pada garis keturunan CosyVoice atau Moshi. Itulah klaimnya, dan itu benar.

Masih ada kuantisasi di dalam model. Backbone menjalankan bottleneck semi-diskrit yang dapat didiferensiasikan berdasarkan Finite Scalar Quantization, dan makalah ini eksplisit tentang perannya: model bahasa semantik teks menghasilkan hidden states, FSQ melakukan kuantisasi skalar per dimensi menjadi "kerangka semantik," model bahasa akustik residual memulihkan detail halus yang dibuang FSQ, dan transformer difusi lokal mengubah kedua aliran pengondisian menjadi patch laten kontinu berikutnya dengan flow matching. Empat tahap yang Anda lihat disingkat sebagai LocEnc, TSLM, RALM, dan LocDiT persis rantai tersebut.

Perbedaan yang penting dalam praktik bukanlah "terkuantisasi versus tidak." Melainkan bahwa bottleneck dilatih end-to-end dengan segala sesuatu di sekitarnya, bukan dibekukan sebelumnya sebagai codec terpisah dengan loss-nya sendiri. Itulah yang menghilangkan mode kegagalan yang biasa terjadi ketika model bahasa belajar memprediksi token yang tidak dapat didekodekan dengan setia oleh codec. VoxCPM2 melebarkan bottleneck FSQ tersebut dari 256 menjadi 512 dimensi dan mengganti penjumlahan element-wise lama yang memberi makan model residual dengan proyeksi konkatenasi yang dapat dipelajari — perubahan kecil, dan termasuk sedikit perubahan dalam laporan yang didukung oleh mekanisme yang dinyatakan, bukan hanya selisih tolok ukur.

Output 48 kHz sebagian merupakan rekaan, dan itulah desainnya.

"Output berkualitas studio 48 kHz" adalah spesifikasi model yang paling sering dikutip sekaligus paling sering disalahpahami. AudioVAE V2 bersifat asimetris: encoder beroperasi pada 16 kHz, decoder merekonstruksi pada 48 kHz. Makalah ini menyebutnya "implicit super-resolution," yang merupakan nama yang jujur untuk apa yang sebenarnya terjadi.

Perhatikan konsekuensinya. Encoder 16 kHz memiliki batas Nyquist 8 kHz, jadi tidak ada apa pun di atas 8 kHz dalam audio referensi Anda yang pernah mencapai model. Setiap bit energi dalam dua oktaf teratas dari keluaran—napas dalam suara, desisan, kecerahan tepi simbal—dihasilkan oleh decoder dari prior yang masuk akal, bukan dibawa dari pembicara yang Anda kloning. Untuk sebagian besar pekerjaan narasi dan agen, ini tidak terlihat atau merupakan peningkatan, karena prior terlatih yang baik mengalahkan rak 8 kHz yang keras. Bagi siapa pun yang pekerjaannya adalah kesetiaan terhadap suara rekaman tertentu, ini adalah fakta yang harus diperhitungkan dalam desain, dan bukan sesuatu yang akan diungkapkan oleh uji mendengarkan pada speaker laptop Anda.

Pembenaran dalam makalah tersebut merupakan argumen teknis paling kredibel di laporan itu, dan layak diulang karena bukan sekadar pemasaran: mempertahankan encoder pada 16 kHz memungkinkan OpenBMB memakai ulang korpus pelatihan VoxCPM 16 kHz asli secara utuh, menghilangkan ketidakcocokan laten antara sumber yang direkam pada laju sampel berbeda, dan menghindari ledakan panjang sekuens yang akan dipaksakan oleh laju input lebih tinggi pada loop autoregresif. Menaikkan hanya decoder memberikan fidelitas keluaran tanpa membayarnya di bagian model yang mahal. Itu adalah pertukaran yang bagus, dibuat dengan sengaja. Ini juga berarti pengguna VoxCPM1.5 berpindah dari encoder 44,1 kHz ke 16 kHz — penurunan di sisi input yang dijual di dalam peningkatan di sisi output. Tabel rekonstruksi milik OpenBMB sendiri menunjukkan bentuknya: codec VoxCPM1.5 masih mencatat jarak mel pita penuh terbaik dari tiga generasi, 1,139 berbanding 1,335 milik AudioVAE V2, karena beroperasi secara native pada laju sampel tinggi alih-alih merekonstruksi naik ke laju tersebut.

Membaca papan skor OpenBMB dengan cara OpenBMB menuliskannya

Kompetitif, bukan yang pertama

Pada Seed-TTS-Eval, tolok ukur standar kloning suara zero-shot, VoxCPM2 melaporkan tingkat kesalahan kata sebesar 1,84% dengan kemiripan pembicara 75,3% pada set bahasa Inggris, tingkat kesalahan karakter 0,97% dengan kemiripan 79,5% pada bahasa Mandarin, dan CER 8,13% dengan kemiripan 75,3% pada subset Mandarin yang sulit. Kata yang digunakan makalah itu sendiri untuk hal ini adalah "kompetitif," dan tabel tersebut mendukung kata itu, bukan kata-kata yang lebih kuat yang beredar.

Di antara sistem sumber terbuka dalam tabel yang sama, {{1}}Fish Audio S2 mencatat tingkat kesalahan yang lebih baik di ketiga subset (0.99 / 0.54 / 5.99){{/1}}. {{2}}Qwen3-TTS mengungguli Fish Audio S2 pada WER bahasa Inggris dengan 1.23{{/2}}. Dan {{3}}LongCat-Audio-DiT mengalahkannya telak di lima dari enam sel{{/3}} — {{4}}WER 1.50 dan kesamaan 78.6 pada bahasa Inggris, kesamaan 81.8 pada bahasa Mandarin, CER 6.04 dan kesamaan 79.7 pada bahasa Mandarin sulit{{/4}}. {{5}}Di mana VoxCPM2 benar-benar menonjol adalah keseimbangannya{{/5}}: {{6}}sistem ini adalah salah satu dari sangat sedikit sistem yang secara bersamaan berada di dekat puncak pada kesamaan dan memiliki kejelasan yang memadai{{/6}}, dan {{7}}satu-satunya dalam daftar itu yang juga mampu melakukan desain suara bahasa alami{{/7}}. Namun, "state-of-the-art" bukanlah hal yang ditunjukkan oleh tabel utama miliknya sendiri, dan penggambaran yang jujur adalah bahwa ini adalah generalis yang kuat, bukan pemimpin tolok ukur.

3.3x parameter hampir tidak menambah kejelasan

Baris yang paling berguna dalam tabel itu adalah yang tidak pernah dikutip siapa pun. VoxCPM-0.5B, generasi pertama 0.6B dari September 2025, mencetak WER bahasa Inggris 1.85% dan CER bahasa Mandarin 0.93%. VoxCPM2, pada 2B, mencetak 1.84% dan 0.97%. Dalam batas noise untuk bahasa Inggris, dan sedikit lebih buruk untuk bahasa Mandarin.

Apa yang sebenarnya diberikan oleh parameter tambahan terlihat pada kolom kemiripan dan tidak di tempat lain: SIM bahasa Inggris naik dari 72.9 menjadi 75.3, dan Tionghoa dari 77.2 menjadi 79.5. Segala hal lain yang didapatkan dari 2B berada sepenuhnya di luar tolok ukur ini — 28 bahasa tambahan, desain suara dari deskripsi teks, kloning dengan gaya yang dapat dikontrol, output 48 kHz. Itu banyak, dan itulah alasan jujur untuk melakukan upgrade. Tetapi jika beban kerja Anda adalah kloning bahasa Inggris atau Tionghoa dan Anda memilih berdasarkan tingkat kesalahan, VoxCPM2 tidak memberi Anda apa pun yang belum diberikan model 0.6B, dengan bobot tiga kali lipat dan latensi dua kali lipat. Anehnya, VoxCPM1.5 adalah yang terburuk di antara ketiganya pada tolok ukur ini (2.12 / 1.18), yang membuat perkembangan keluarga ini tampak kurang seperti tangga dan lebih seperti tiga produk berbeda.

Satu model, dua evaluasi, terpaut satu orde besaran

Di sinilah kehati-hatian diperlukan, karena dua hasil multibahasa dalam laporan ini bertentangan secara tajam dan keduanya dikutip seolah-olah menyelesaikan persoalan.

Intinya adalah tingkat kesalahan rata-rata sebesar 1,68% di 30 bahasa. Itu berasal dari set tes yang dibangun sendiri oleh OpenBMB — 500 ucapan per bahasa — dan dinilai dengan Gemini 3.1 Flash Lite sebagai pengenal. Pada set tersebut, VoxCPM2 mencatat bahasa Inggris 0,42, Mandarin 0,92, Hindi 0,79, Arab 1,23.

Laporan ini juga menjalankan MiniMax-MLS-Test, seperangkat 24 bahasa dari pihak ketiga yang dinilai dengan Whisper-large-v3. Model yang sama. Di sana, VoxCPM2 mencatat Hindi 19.70 dan Arab 13.05 — masing-masing dua puluh lima kali dan sepuluh kali lebih buruk daripada yang dikatakan tolok ukurnya sendiri, pada bahasa yang didukungnya secara resmi. Juga di kolom itu: Kanton 38.58, Ceko 24.13, Rumania 21.58, Ukraina 6.32.

Tiga hal mendamaikan sebagian besar ini, dan ketiganya layak dipisahkan karena versi cerita yang tersebar luas keliru mengenainya:

• Bahasa Ceko, Rumania, dan Ukraina bukan bahasa yang didukung. Periksa tag bahasa di repositori itu sendiri: 30 kode, dan tidak ada satu pun yang berupa cs, ro, atau uk. Mengkritik VoxCPM2 karena WER Ceko 24% berarti mengkritiknya untuk bahasa yang tidak pernah diklaimnya. Bahasa Kanton mungkin masuk dalam "9 dialek Tionghoa," tetapi setiap sistem di kolom itu berada di atas 30% untuk bahasa tersebut, yang menunjukkan pengenal daripada model-modelnya.

• Bahasa Arab dan Hindi didukung, dan itulah temuan sebenarnya. Kedua bahasa ini adalah bahasa yang diklaim OpenBMB memiliki cakupan, dan dua evaluasinya berbeda hingga orde besaran. Penjelasan dari makalah itu sendiri adalah bahwa bahasa-bahasa ini memiliki "volume data yang relatif terbatas" dalam korpus pelatihan dan bahwa "sebagian dari WER yang lebih tinggi mungkin berasal dari akurasi pengenal yang terbatas." Itu adalah hipotesis yang wajar dan belum teruji. Jika Anda meluncurkan produk dengan dukungan ucapan bahasa Arab atau Hindi, rentang yang dipublikasikan untuk model ini adalah 0.79% hingga 19.70% dan tidak ada salah satu ujung pun yang terverifikasi secara independen. Sisihkan satu hari untuk pengukuran Anda sendiri; jangan mengandalkan salah satu angka tersebut.

• Metriknya bahkan bukan satuan yang sama.Hindi diberi skor sebagai tingkat kesalahan karakter pada set internal dan tingkat kesalahan kata pada MiniMax-MLS. Keduanya bukan kuantitas yang sebanding, yang menjadi satu alasan lagi mengapa kesenjangan 25x bukanlah tudingan yang bersih — dan satu alasan lagi mengapa rata-rata 1,68% tidak boleh dibaca sebagai skor yang setara.

Kewaspadaan yang sama berlaku untuk klaim yang paling banyak melakukan kerja numerik dalam pemberitaan model ini: bahwa VoxCPM2 mengalahkan ElevenLabs pada kemiripan suara, 85,4% berbanding 61,3% pada bahasa Inggris, memenangkan 22 dari 24 bahasa. Memang itulah yang dikatakan tabel tersebut. Tabel ini juga disusun oleh makalah ini sebagian dari hasil yang dilaporkan sebelumnya, dan tabel di mana kolom keterbacaan ElevenLabs berisi WER 73,94% pada bahasa Thai, 73,42% pada bahasa Vietnam, dan 16,03% pada bahasa Mandarin. Angka-angka itu bukan angka dari produk komersial yang berfungsi; itu adalah tanda dari ketidakcocokan penilaian atau konfigurasi. Tabel yang rusak di satu kolom tidak menjadi dapat dipercaya di kolom lain hanya karena hasilnya menyenangkan model yang sedang Anda baca.

Lima mode dari satu tulang punggung — dan resep yang menggerakkan angka-angka Anda.

Konsep terbersih dalam arsitektur ini adalah bahwa VoxCPM2 tidak memiliki model atau head yang terpisah untuk setiap kemampuannya. Kelima mode menggunakan parameter yang sama dengan susunan urutan input yang berbeda, itulah sebabnya satu checkpoint 2B dapat mencakup apa yang biasanya membutuhkan armada kecil:

• TTS Dasar — teks masuk, audio keluar.

• Desain suara — deskripsi dalam tanda kurung cukup ditambahkan di awal teks, sehingga "(seorang pria paruh baya yang lelah, bersuara serak, berbicara pelan)" dan baris itu sendiri diproses oleh model bahasa yang sama tanpa modul tambahan. Tidak ada audio referensi sama sekali.

• Kloning referensi — klip referensi terisolasi menentukan identitas pembicara, tanpa memerlukan transkrip.

• Klon yang dapat dikendalikan — klip referensi plus deskripsi gaya, sehingga Anda dapat mengklon suara dan kemudian memintanya untuk terdengar terburu-buru atau terhibur.

• Kloning kelanjutan — klip referensi yang dipasangkan dengan transkripnya, diperlakukan sebagai awalan audio yang dilanjutkan model, yang merupakan mode dengan fidelitas tertinggi.

Tersembunyi dalam laporan tersebut ada sebuah kenop yang jarang dibahas di kebanyakan tulisan, dan kenop itulah yang paling mungkin mengubah hasil Anda. Dua jalur pengondisian — referensi terisolasi dan prefiks kelanjutan — dapat digunakan secara terpisah atau bersama-sama, dan keduanya saling berkompromi. Dalam ablasi OpenBMB sendiri, penggunaan keduanya secara bersama-sama memberikan kemiripan penutur terbaik pada setiap subset. Menghilangkan prefiks kelanjutan dan hanya meneruskan referensi terisolasi memberikan inteligibilitas terbaik pada teks Mandarin yang sulit, 6,85% CER berbanding 7,44%, tetapi mengorbankan sekitar lima poin kemiripan. Penjelasan makalah ini masuk akal: tanpa prefiks audio temporal yang mengunci prosodi, model memiliki lebih banyak kebebasan untuk memilih cara penyampaian yang tetap bertahan pada teks sulit.

Jadi, default adalah sebuah pilihan, bukan batas atas. Pekerjaan voice-matching menginginkan kedua jalur; teks yang sulit atau tidak biasa menginginkan referensi saja. Satu catatan jujur: angka-angka absolut dalam tabel ablasi tersebut tidak cocok dengan tabel utama untuk resep yang menurut paper digunakan sepanjang penelitian, yang dalam sebuah preprint lebih mungkin merupakan kesalahan pencatatan daripada sesuatu yang mencurigakan — tetapi ini adalah alasan ketiga untuk memperlakukan setiap angka di sini sebagai arahan untuk diuji, bukan sebagai nilai untuk dikutip.

Desain suara: lebih patuh daripada alami

Desain suara adalah fitur yang membuat rilis ini menarik, bukan sekadar inkremental, dan di sinilah angka-angka vendor sendiri paling mengungkapkan adanya trade-off yang nyata.

Pada InstructTTSEval, VoxCPM2 mencetak 84.2 pada spesifikasi parameter akustik, 83.2 pada arahan gaya deskriptif, dan 71.4 pada role-play untuk bahasa Inggris — angka terakhir tersebut merupakan yang terbaik dalam tabel, mengungguli Qwen3-TTS-1.7B-VD di 68.4 dan Gemini-TTS-Pro di 67.2. Pada bahasa Mandarin, hasilnya lebih lemah dan urutannya berbalik: 85.2 / 71.5 / 60.8, dibandingkan dengan Gemini-TTS-Pro yang mencapai 89.0 / 90.1 / 75.5. Jadi klaim terkuat yang tersedia adalah bahwa VoxCPM2 memimpin dalam role-play bahasa Inggris dan tertinggal di belakang sistem frontier tertutup di hampir semua aspek lain dalam hal kepatuhan terhadap instruksi.

Panel pendengar manusia — 50 pendengar, diacak dan double-blind, menurut laporan — mempertajamnya. Pada generasi terkontrol, VoxCPM2 unggul dalam mengikuti instruksi dengan 4.50 dibanding Qwen3-TTS-VD yang 4.41, dan kalah dalam naturalitas dengan 4.48 dibanding 4.61. Pada kloning zero-shot biasa, ia memenangkan kemiripan suara (4.74 dibanding 4.69) dan seri atau tertinggal dalam naturalitas (4.78 dibanding 4.80 milik Qwen3-TTS, dengan interval kepercayaan yang tumpang tindih).

Polanya cukup konsisten untuk dijadikan patokan: VoxCPM2 melakukan apa yang Anda perintahkan dan terdengar sedikit kurang manusiawi saat melakukannya, sementara Qwen3-TTS terdengar sedikit lebih baik dan mengikuti instruksi dengan sedikit kurang ketat. Mana yang tepat sepenuhnya bergantung pada apakah nilai produk Anda adalah kontrol yang presisi atau penyampaian yang mulus. OpenBMB sendiri menggarisbawahi konsekuensi ini dalam keterbatasannya, dan ini adalah hal yang biasanya tidak disebutkan vendor: desain suara dan kloning terkontrol "dapat menghasilkan hasil yang bervariasi antar proses," dan mendapatkan suara yang Anda inginkan bisa memerlukan beberapa kali percobaan. Sertakan mekanisme percobaan ulang dalam pipeline Anda dan, jika suara itu penting, tambahkan tahap pemeriksaan oleh pendengar manusia.

Berapa biaya untuk mengoperasikannya, dan kapan menyewa adalah pilihan yang tepat

Tidak ada VoxCPM2 yang dihosting di mana pun. Bilah samping Hugging Face sendiri menyatakannya dengan jelas — "Model ini tidak diterapkan oleh Penyedia Inferensi mana pun" — dan itu termasuk kami: OrcaRouter tidak melayani VoxCPM2, dan sekeras apa pun keinginan tidak mengubah fakta bahwa model TTS 2B tanpa mitra inferensi hanyalah bobot yang Anda host atau tidak sama sekali.

Yang menjadikan persoalan biaya sebagai persoalan GPU, dan hitungannya bersih. Dengan faktor waktu-nyata Nano-vLLM sebesar 0,13 pada satu RTX 4090, satu jam GPU menghasilkan kira-kira 7,7 jam audio, sehingga biaya per jam audio Anda adalah tarif per jam untuk satu kartu 24 GB dibagi sekitar 7,7. Dalam PyTorch biasa dengan RTF 0,30, angka itu turun menjadi sekitar 3,3 jam audio per jam GPU. Kedua angka tersebut milik OpenBMB, diukur pada perangkat keras mereka dengan teks mereka, dan keduanya akan berubah pada perangkat Anda — ukuran batch, tingkat kesulitan teks, dan berapa kali percobaan ulang yang dipaksakan oleh gerbang kualitas Anda adalah faktor pengali yang tidak terkandung dalam angka RTF. Tingkat percobaan ulang adalah yang sering dilupakan orang: model yang menurut vendor mungkin memerlukan beberapa kali percobaan untuk mencapai suara target tidak berbiaya sesuai yang tersirat oleh RTF-nya.

Perbandingan yang diinginkan orang saat ini adalah dengan API sewaan, dan jawaban jujurnya adalah tidak ada konversi yang bersih antara keduanya. openai/tts-1-hd mengenakan biaya $30,00 per juta token masuk dan keluar — itu adalah harga daftar dari penyedia yang diteruskan langsung di OrcaRouter, karena kami mengambil markup 0%, jadi angka di halaman model kami adalah angka yang ditagih OpenAI. Tetapi token bukan detik, dan tidak ada tarif yang dipublikasikan yang dapat mengonversi satu ke yang lain dengan cukup andal untuk dijadikan dasar spreadsheet. Siapa pun yang menunjukkan perbandingan per jam yang bersih antara model TTS berbobot terbuka yang di-host sendiri dan API yang ditagih per token telah membuat asumsi yang tidak mereka tunjukkan kepada Anda.

Yang perlu dikatakan adalah di mana garis batas arsitekturalnya berada. Menghosting sendiri VoxCPM2 masuk akal ketika Anda membutuhkan suara kloning yang spesifik, ketika volume audio cukup stabil untuk membuat GPU tetap sibuk, ketika data tidak boleh keluar dari infrastruktur Anda, atau ketika Anda berniat melakukan fine-tuning LoRA — dan model ini mendukung itu hanya dengan 5 hingga 10 menit audio target, yang benar-benar murah. Menyewa masuk akal ketika volume lalu lintas naik-turun, ketika Anda tidak sanggup menyediakan staf untuk mengelola GPU, atau ketika suaranya bisa diganti-ganti. Sebagian besar produk suara yang serius terdiri dari dua sistem, bukan satu: lapisan sintesis dan model bahasa yang melakukan penalaran. Separuh penalaran adalah bagian yang layak ditempatkan di balik satu kunci dengan failover otomatis lintas penyedia, sehingga pergantian model hanyalah perubahan string, bukan siklus pengadaan; itulah bentuk yang dirancang OrcaRouter, mencakup 200+ model. Separuh sintesis, ketika suaranya spesifik, Anda miliki, dan Anda fine-tune, sebaiknya berada di perangkat keras Anda sendiri. VoxCPM2 jelas berada di kategori kedua, dan fakta bahwa tidak ada yang melayani model ini adalah konsekuensi dari kodratnya, bukan kelalaian.

Apa yang OpenBMB katakan untuk tidak kamu harapkan

Bagian keterbatasan ini luar biasa jujur untuk sebuah rilis dengan momentum sebesar ini, dan cukup singkat untuk ditanggapi dengan serius:

• Kualitas kloning adalah permukaan penyalahgunaan. Kartu model menyatakannya secara langsung: model menghasilkan ucapan yang cukup realistis untuk peniruan identitas dan penipuan, dan audio yang dihasilkan AI harus diberi label. Apache-2.0 tidak memberikan batasan apa pun mengenai hal ini — tidak seperti lisensi pada beberapa model suara open-weight pesaing, tidak ada klausul penggunaan yang dapat diterima untuk dijadikan tempat berlindung. Kebijakan persetujuan dan pengungkapan Anda adalah kebijakan yang Anda tulis sendiri.

• Varians antar-run adalah hal yang diharapkan pada dua fitur kontrol tersebut, bukan bug yang perlu dilaporkan.

• Ketiga puluh bahasa itu merupakan batas yang nyata. Apa pun di luar itu mungkin berfungsi dan belum teruji; perkirakan perlu penyetelan.

• Konsistensi kontrol gaya digambarkan masih dalam pengembangan oleh orang-orang yang membuatnya.

Dan celah-celah yang tidak disebutkan oleh kartu tersebut: tidak ada pengungkapan korpus pelatihan sama sekali, sehingga lisensi Apache-2.0 pada bobot hanya menyelesaikan masalah kode dan tidak ada apa pun tentang asal-usul data. Tidak ada evaluasi independen terhadap angka apa pun dalam artikel ini. Tidak ada latensi yang dipublikasikan dalam milidetik — RTF adalah rasio throughput, dan agen suara hidup atau mati bergantung pada waktu hingga audio pertama, yang tidak muncul di mana pun dalam laporan.

Tiga pertanyaan yang tidak dijawab oleh kartu model

Haruskah saya pindah dari VoxCPM1.5 atau VoxCPM-0.5B?

Hanya untuk kemampuan baru, dan hanya setelah diukur. Jika Anda membutuhkan bahasa selain Mandarin dan Inggris, desain suara, atau kloning yang dapat dikontrol gayanya, peningkatan tersebut justru menjadi inti masalahnya dan tidak ada alternatif lain dalam keluarga ini. Jika Anda saat ini menjalankan kloning bahasa Inggris atau Mandarin dan merasa puas, argumennya lemah di permukaan: tolok ukur yang sama menunjukkan VoxCPM-0.5B menyaingi VoxCPM2 dalam tingkat kesalahan, dan Anda akan membayar dua kali lipat latensi dan sepertiga lebih banyak VRAM untuk sekitar 2.4 poin kemiripan pembicara. Ada juga detail migrasi yang mudah terlewatkan — jika Anda memberi VoxCPM1.5 audio referensi 44.1 kHz, encoder VoxCPM2 menerima 16 kHz, jadi jalur referensi Anda berubah dan bagian atas materi sumber Anda tidak lagi menjadi masalah.

Bisakah saya benar-benar merilis produk suara komersial dengan ini?

Secara hukum, lisensi ini termasuk yang paling permisif: Apache-2.0, tanpa gerbang, tanpa pembatasan penggunaan, penggunaan komersial secara eksplisit diizinkan, bobot dan kode fine-tuning sama-sama tercakup. Pertanyaan terbukanya bukan pada teks lisensi, melainkan apa yang hilang di baliknya. OpenBMB tidak menyebutkan korpus pelatihan, yang berarti tidak ada yang bisa memberi tahu Anda suara siapa saja yang ada dalam 2 juta jam tersebut. Untuk model yang fitur utamanya adalah mereproduksi suara orang tertentu, itu adalah pertanyaan untuk penasihat hukum Anda sendiri, bukan untuk kartu model — dan itu adalah pertanyaan yang sama yang saat ini dihindari oleh setiap model suara open-weight. Secara praktis, penghalang yang lebih sulit bersifat operasional: belum ada kelas Transformers asli, tidak ada endpoint yang dihosting di mana pun, varians antar-jalankan pada fitur kontrol, dan tidak ada angka waktu-ke-audio-pertama jika Anda membangun sesuatu yang bersifat percakapan.

Apakah ini cukup baik untuk menggantikan vendor TTS berbayar?

Untuk narasi berbahasa Inggris dan Mandarin, konten yang direkam sebelumnya, dan beban kerja apa pun yang mengharuskan Anda mengendalikan suara tertentu dan dapat memprosesnya secara bertahap: ya, berdasarkan bukti yang tersedia, dan lisensinya membuat upaya mencobanya hampir gratis. Untuk agen percakapan real-time: ukur sendiri waktu hingga audio pertama sebelum berkomitmen, karena belum ada yang memublikasikannya dan RTF tidak akan memberi tahu Anda. Untuk bahasa Arab, Hindi, atau bahasa apa pun di long tail: dua evaluasi dari vendor itu sendiri berbeda hingga satu urutan besaran, jadi perlakukan model tersebut sebagai belum terbukti di sana, apa pun angka yang Anda lihat dikutip. Dan untuk apa pun yang salah ucapan merupakan insiden bisnis, bukan sekadar gangguan, perlu dicatat bahwa VoxCPM2 bukan pemimpin inteligibilitas bahkan di tabelnya sendiri — Fish Audio S2 dan LongCat-Audio-DiT berada di depannya di sana, dan keduanya juga open-weights.

Apa yang harus ditonton

Dua hal, pada garis waktu yang berbeda. Yang terdekat adalah PR #47756, dan PR MiniCPM4 berada di bawahnya. Jika keduanya digabungkan, VoxCPM2 menjadi sebuah AutoModel panggilan dan biaya integrasi bagi semua yang sudah menggunakan Transformers sebagai standar turun hingga hampir nol dalam semalam — dan mengingat 900.282 unduhan per bulan sudah terjadi dengan susah payah, itu adalah terobosan yang berarti. Jika keduanya macet, jawaban bagi tim-tim tersebut tetap "gunakan paket OpenBMB atau endpoint vLLM-Omni," dan kontributor komunitas yang membawa kedua PR tersebut tidak memiliki daya tawar untuk mengubah hal itu.

Yang lebih lambat adalah apakah ada pihak di luar OpenBMB yang pernah memublikasikan angka. Empat bulan setelah rilis, dengan 900.000 unduhan bulanan, 25 finetune, dan lebih dari 100 Spaces yang dibangun di atasnya, setiap angka performa yang beredar masih merujuk pada satu laporan teknis yang ditulis oleh orang-orang yang melatih model tersebut. Itu bukan kritik terhadap OpenBMB, yang mendokumentasikan pekerjaan mereka lebih menyeluruh dan lebih jujur daripada kebanyakan — laporan tersebut mengungkapkan pilihan recogniser-nya, kelemahan volume datanya, dan ketidakstabilannya sendiri. Itu adalah kritik untuk kita semua. Satu hal yang paling berharga yang dapat dipublikasikan siapa pun di komunitas speech sumber terbuka bulan ini adalah sebuah run Seed-TTS-Eval dan MiniMax-MLS dengan penilaian Whisper untuk VoxCPM2, Qwen3-TTS, Fish Audio S2, dan LongCat-Audio-DiT dalam kondisi yang identik. Sampai hal itu ada, ringkasan yang adil untuk VoxCPM2 adalah bahwa ia adalah model suara open-weights paling mumpuni per checkpoint yang pernah dirilis siapa pun, bahwa ia bukan yang paling akurat, dan bahwa kedua bagian kalimat tersebut bertumpu pada perkataan vendor.