VoxCPM2: 900.000 downloads per maand, en Transformers kunnen het nog steeds niet laden

De metadata van Hugging Face voor VoxCPM2 vermeldt als bibliotheek voxcpm — niet transformers. Dit enkele veld verklaart een vreemde leemte in de open-source spraakwereld op dit moment: OpenBMB's tekst-naar-spraakmodel met 2B-parameters trok 900.282 downloads in de afgelopen dertig dagen, leverde 25 openbare finetunes, 10 kwantiseringen, 7 adapters en meer dan 100 Spaces op, en kan nog steeds niet worden geladen met de bibliotheek waarmee bijna elk ander model op die site wordt geladen. De pull request om dat te verhelpen werd geopend op 4 augustus 2026 en is vandaag de dag nog steeds open.

Die kloof is de moeite waard om te begrijpen voordat de fix wordt doorgevoerd, omdat het bepaalt wat het integreren van dit model je deze week kost ten opzichte van volgend kwartaal. En het rust op een interessantere vraag, namelijk of VoxCPM2 werkelijk zo ver vooruit is als de berichtgeving suggereert. Alles hieronder is ontleend aan drie primaire bronnen: de openbmb/VoxCPM2 modelkaart en repository-metadata, de OpenBMB/VoxCPM GitHub-README en het VoxCPM2 Technical Report (arXiv:2606.06928, ingediend op 5 juni 2026). Elk benchmarkcijfer in dit artikel is van OpenBMB zelf, uitgevoerd door OpenBMB, en — zoals het paper zelf stelt voor de belangrijkste vergelijkingstabel — de concurrerende cijfers daarin zijn overgenomen uit andere papers in plaats van opnieuw uitgevoerd onder vergelijkbare omstandigheden. Voor zover wij kunnen vinden, heeft geen enkel onafhankelijk laboratorium een reproductie van enig deel ervan gepubliceerd.

Het specificatieblad, in één scherm.

VoxCPM2 werd uitgebracht in april 2026 (de Hugging Face-repository is aangemaakt op 3 april en voor het laatst gewijzigd op 16 april) als de derde generatie van de VoxCPM-lijn. In vergelijking met zijn directe voorganger:

• Grootte — 2B parameters vergeleken met de 0.8B van VoxCPM1.5 en de 0.6B backbone van VoxCPM-0.5B.

• Talen — 30 plus 9 Chinese dialecten, tegenover alleen Chinees en Engels in beide eerdere versies.

• Audio — accepteert een 16 kHz-referentie, produceert 48 kHz, vergeleken met VoxCPM1.5's symmetrische 44.1 kHz in en uit.

• Backbone — MiniCPM-4-1B (28 lagen, breedte 2048) als het tekst-semantische taalmodel, opgewaardeerd van MiniCPM-4-0.5B (24 lagen, breedte 1024).

• Sequentiebudget — 8192 tokens bij een tokenrate van 6,25 Hz aan de taalmodellenzijde, wat neerkomt op ongeveer 20 minuten audio in één context.

• Kosten van een seconde spraak — real-time factor 0,30 in gewoon PyTorch en 0,13 via Nano-vLLM op één RTX 4090, met ongeveer 8 GB VRAM. VoxCPM1.5 haalde 0,15 bij 0,8B en 6 GB.

• Licentie — Apache-2.0 op de gewichten, de finetuningcode en de inferentie-tooling. Geen toegangsdrempel, geen bepaling over acceptabel gebruik, commercieel gebruik toegestaan.

• Trainingsdata — "meer dan 2 miljoen uur" aan meertalige spraak, zonder dat er een corpus wordt genoemd en zonder herkomstopgave.

Lees de RTF-lijn twee keer, want hij loopt de verkeerde kant op. Per seconde gegenereerde audio is VoxCPM2 ongeveer twee keer zo traag als het 0,8B-model dat het vervangt, en heeft een derde meer VRAM nodig. De 2B heeft geen doorvoer gekocht; het heeft talen en controle gekocht en heeft daar latentie voor aangerekend. Als je een realtime-agent draait, is die afweging het eerste wat je moet beprijzen.

Wat PR #47756 daadwerkelijk verandert

Vandaag betekent het draaien van VoxCPM2 het installeren van OpenBMB's eigen pakket — pip install voxcpm, Python 3.10 tot 3.12, PyTorch 2.5 of nieuwer, CUDA 12 of nieuwer — en het laden van het model via een VoxCPM.from_pretrained-aanroep die niets te maken heeft met de Transformers API. Alles stroomafwaarts van die beslissing is maatwerk: je eigen batching, je eigen servinglijm, je eigen afhandeling van de vijf generatiemodi.

Het lopende werk zou dat veranderen. Issue #47695, "Add native support for OpenBMB VoxCPM2," werd geopend op 31 juli. PR #47756, "support for VoxCPM2," volgde op 4 augustus en werd voor het laatst bijgewerkt op 5 augustus. Het draagt het label "New model" en voegt een modulaire configuratie en modelimplementatie toe, een aangepaste tokenizer en processor, AudioVAE-encodering en -decodering met streaming, referentiestemconditionering, prompt-audio-continuatie, automatische klasseregistraties en een text-to-waveform-pijplijninvoer — waarbij 64 modeltests als geslaagd worden gerapporteerd. Het is gestapeld op PR #47736, dat MiniCPM4 zelf toevoegt; de tekstbackbone moet eerst worden opgeleverd voordat het spraakmodel dat eromheen zit kan volgen.

Twee details verdienen aandacht, en beide pleiten tegen optimisme. Ten eerste: alle drie de items — de issue en beide pull requests — zijn geopend door dezelfde individuele community-bijdrager, niet door OpenBMB en niet door een Hugging Face-maintainer. Er is geen leveranciersverbintenis achter dit en dus geen tijdlijn waarop je kunt plannen. Ten tweede: een stapel van twee PR's met 203 commits die een nieuwe modaliteit aanraken, is geen snelle review. PR's voor nieuwe modellen in Transformers kosten routinematig weken aan heen-en-weer-gesprekken met maintainers, en deze heeft tot nu toe vier reacties.

De praktische lezing: als een native Transformers-klasse cruciaal is voor je architectuur — omdat je standaardiseert op AutoModel, of omdat je servinglaag alleen Transformers spreekt — VoxCPM2 is niet klaar voor je, en er is nog geen datum. Als je kunt leven binnen de voxcpm package, is het model vandaag volledig bruikbaar, en heeft het ecosysteem duidelijk laten blijken dat dit aanvaardbaar is: 900.282 downloads vonden plaats terwijl er helemaal geen native ondersteuning was. Er is ook een middenweg die de meeste berichtgeving over het hoofd ziet. OpenBMB levert een vLLM-Omni-integratie die een OpenAI-compatibel /v1/audio/speech endpoint aanbiedt, plus een llama.cpp-omni-build met GGUF-gewichten die draait op CPU, Metal, CUDA of Vulkan en helemaal geen Python-afhankelijkheid heeft. Als wat je eigenlijk van Transformers wilde een standaard serving-interface was in plaats van de klasse zelf, dan bestaat die al.

"Tokenizer-free" betekent niet ongekwantiseerd

De zin in elke kop over dit model wordt het vaakst verkeerd gelezen. VoxCPM2 heeft geen externe discrete audiocodec — er zit geen aangeleerde woordenschat van spraaktokens tussen het taalmodel en de golfvorm, zoals die er wel is in de CosyVoice- of Moshi-lijnen. Dat is de bewering, en die is waar.

Er zit nog steeds kwantisatie in het model. De backbone draait een differentieerbare semi-discrete bottleneck op basis van Finite Scalar Quantization, en het paper is expliciet over de rol ervan: het tekst-semantische taalmodel produceert verborgen toestanden, FSQ kwantiseert deze scalair per dimensie tot een "semantisch skelet", een residueel akoestisch taalmodel herstelt de fijne details die FSQ heeft weggegooid, en een lokale diffusie-transformer zet beide conditioneringsstromen om in de volgende continue latente patch via flow matching. De vier fasen die je afgekort ziet als LocEnc, TSLM, RALM en LocDiT zijn precies die keten.

Het onderscheid dat in de praktijk telt, is niet "gekwantiseerd versus niet." Het is dat de bottleneck end-to-end wordt getraind met alles eromheen, in plaats van vooraf bevroren als een aparte codec met zijn eigen verliesfunctie. Dat is wat de gebruikelijke faalmodus wegneemt waarbij een taalmodel tokens leert voorspellen die een codec niet getrouw kan decoderen. VoxCPM2 verbreedde die FSQ-bottleneck van 256 naar 512 dimensies en verving de oude elementgewijze som die het residumodel voedde door een leerbare concatenatie-projectie — kleine veranderingen, en een van de weinige in het rapport die worden ondersteund door een genoemd mechanisme in plaats van een benchmarkverschil.

De 48 kHz-uitvoer is deels verzonnen, en dat is de bedoeling.

"48 kHz studio-kwaliteit output" is de meest geciteerde specificatie van het model en ook de meest verkeerd begrepen. AudioVAE V2 is asymmetrisch: de encoder werkt op 16 kHz, de decoder reconstrueert op 48 kHz. Het artikel noemt dit "impliciete superresolutie", wat een eerlijke naam is voor wat het is.

Volg de consequentie. Een 16 kHz-encoder heeft een Nyquist-plafond van 8 kHz, dus niets boven 8 kHz in je referentieaudio bereikt ooit het model. Elk stukje energie in de bovenste twee octaven van de uitvoer — de lucht in een stem, sisklanken, de helderheid van bekkens — wordt door de decoder gegenereerd vanuit een plausibele prior, niet overgenomen van de spreker die je hebt gekloond. Voor het meeste vertel- en agentwerk is dit onzichtbaar of een verbetering, omdat een goed aangeleerde prior een harde 8 kHz-afsnijding verslaat. Voor iedereen wiens werk trouw aan een specifieke opgenomen stem vereist, is het een feit om bij je ontwerp rekening mee te houden, en het is niet iets dat een luistertest op je laptopluidsprekers zal onthullen.

De rechtvaardiging in het paper is het meest geloofwaardige technische argument in het rapport, en de moeite waard om te herhalen omdat het geen marketing is: door de encoder op 16 kHz te houden kan OpenBMB het oorspronkelijke VoxCPM-trainingscorpus van 16 kHz in zijn geheel hergebruiken, wordt latente mismatch tussen bronnen die met verschillende samplerates zijn opgenomen geëlimineerd, en wordt de explosie van sequentielengte voorkomen die een hogere invoersnelheid zou afdwingen in een autoregressieve lus. Alleen de decoder verhogen levert uitvoergetrouwheid op zonder te betalen voor het dure deel van het model. Dat is een goede, bewuste afweging. Het betekent ook dat VoxCPM1.5-gebruikers overstappen van een 44,1 kHz-encoder naar een van 16 kHz — een downgrade aan de invoerzijde, verpakt in een upgrade aan de uitvoerzijde. OpenBMB's eigen reconstructietabel toont de vorm daarvan: de codec van VoxCPM1.5 noteert nog steeds de beste volledige-band-melafstand van de drie generaties, 1,139 tegenover 1,335 van AudioVAE V2, omdat deze native op een hoge samplerate werkt in plaats van omhoog te reconstrueren naar één.

OpenBMB's scorebord lezen zoals OpenBMB het schreef

Competitief, niet de eerste

Op Seed-TTS-Eval, de standaard zero-shot voice cloning benchmark, rapporteert VoxCPM2 een woordfoutpercentage van 1,84% met 75,3% sprekersovereenkomst op de Engelse set, een karakterfoutpercentage van 0,97% met 79,5% overeenkomst op het Chinees, en 8,13% CER met 75,3% overeenkomst op de moeilijke Chinese subset. Het eigen woord van het paper hiervoor is "competitief", en de tabel ondersteunt dat woord in plaats van de sterkere bewoordingen die de ronde doen.

Onder de open-source systemen in diezelfde tabel noteert Fish Audio S2 een beter foutpercentage op alle drie de subsets (0.99 / 0.54 / 5.99). Qwen3-TTS verslaat het op Engelse WER met 1.23. En LongCat-Audio-DiT wint overtuigend op vijf van de zes cellen — 1.50 WER en 78.6 similariteit op Engels, 81.8 similariteit op Chinees, 6.04 CER en 79.7 similariteit op moeilijk Chinees. Waar VoxCPM2 echt uitspringt is de balans: het is een van de zeer weinige systemen die tegelijkertijd dicht bij de top zit op similariteit en respectabel scoort op verstaanbaarheid, en het is de enige op die lijst die ook natuurlijke-taal-stemdesign doet. Maar "state-of-the-art" is niet wat de eigen koptabel laat zien, en de eerlijke framing is dat dit een sterke generalist is, geen benchmarkleider.

3.3x de parameters leverden bijna geen verstaanbaarheid op.

De meest bruikbare rij in die tabel is degene die niemand citeert. VoxCPM-0.5B, de eerste 0,6B-generatie van september 2025, scoort 1,85% WER op Engels en 0,93% CER op Chinees. VoxCPM2, bij 2B, scoort 1,84% en 0,97%. Binnen de ruis op Engels, en iets slechter op Chinees.

Wat de extra parameters daadwerkelijk opleverden, is te zien in de similariteitskolommen en nergens anders: de Engelse SIM steeg van 72,9 naar 75,3, de Chinese van 77,2 naar 79,5. Al het andere dat de 2B opleverde, valt volledig buiten deze benchmark — 28 extra talen, stemontwerp op basis van een tekstbeschrijving, stijlregelbare kloning, 48 kHz-output. Dat is veel, en het is het eerlijke argument voor de upgrade. Maar als je werklast bestaat uit Engelse of Chinese kloning en je kiest op foutpercentage, geeft VoxCPM2 je niets wat het 0.6B-model je niet al bood, tegen drie keer zoveel parameters en twee keer de latentie. Vreemd genoeg is VoxCPM1.5 de slechtste van de drie op deze benchmark (2,12 / 1,18), waardoor de voortgang van de familie minder op een ladder lijkt en meer op drie verschillende producten.

Eén model, twee evaluaties, een orde van grootte uit elkaar.

Hier is voorzichtigheid geboden, want de twee meertalige resultaten in dit rapport zijn het hevig oneens en beide worden aangehaald alsof ze de kwestie beslechten.

De kop is een gemiddeld foutpercentage van 1,68% over 30 talen. Dat komt van een testset die OpenBMB zelf heeft gebouwd — 500 uitingen per taal — en beoordeeld met Gemini 3.1 Flash Lite als herkenner. Daarop scoort VoxCPM2 Engels 0,42, Chinees 0,92, Hindi 0,79, Arabisch 1,23.

Het rapport voert ook MiniMax-MLS-Test uit, een externe set van 24 talen, gescoord met Whisper-large-v3. Hetzelfde model. Daar noteert VoxCPM2 Hindi 19.70 en Arabisch 13.05 — respectievelijk vijfentwintig keer en tien keer slechter dan de eigen benchmark aangeeft, voor talen die het officieel ondersteunt. Ook in die kolom: Kantonees 38.58, Tsjechisch 24.13, Roemeens 21.58, Oekraïens 6.32.

Drie dingen verzoenen het grootste deel hiervan, en het is de moeite waard om ze te scheiden, omdat de wijdverbreide versie van dit verhaal ze verkeerd weergeeft:

• Tsjechisch, Roemeens en Oekraïens zijn geen ondersteunde talen.Controleer de eigen taaltags van de repository: 30 codes, en geen ervan is cs, ro of uk. VoxCPM2 bekritiseren voor 24% Tsjechische WER is het bekritiseren voor een taal die het nooit heeft geclaimd. Kantonees valt plausibel onder de "9 Chinese dialecten", maar elk systeem in die kolom scoort er boven de 30% op, wat wijst op de herkenner in plaats van op een van de modellen.

• Arabisch en Hindi worden ondersteund, en dat is de echte bevinding. Dit zijn de twee talen waarvoor OpenBMB dekking claimt en waar de twee evaluaties een orde van grootte verschillen. De eigen verklaring van het paper is dat deze talen "relatief beperkt datavolume" hebben in het trainingscorpus en dat "een deel van de hogere WER kan voortkomen uit de beperkte nauwkeurigheid van de herkenner." Dat is een redelijke hypothese, maar een ongeteste. Als je Arabische of Hindi-spraak uitbrengt, ligt de gepubliceerde range voor dit model tussen 0,79% en 19,70%, en geen van beide uiteinden is onafhankelijk geverifieerd. Reserveer een dag voor je eigen meting; reken op geen van beide getallen.

• De metrieken zijn niet eens in dezelfde eenheid. Hindi wordt gescoord als karakterfoutpercentage op de interne set en woordfoutpercentage op MiniMax-MLS. Dat zijn geen vergelijkbare grootheden, wat nog een reden is waarom de 25x-kloof geen zuivere aanklacht is — en nog een reden waarom het gemiddelde van 1,68% niet als een vergelijkbare score moet worden gelezen.

Dezelfde voorzichtigheid geldt voor de bewering die in de bespreking van dit model het meeste numerieke zwaarwerk verricht: dat VoxCPM2 het op sprekersovereenkomst wint van ElevenLabs, 85,4% tegen 61,3% in het Engels, en 22 van de 24 talen wint. Dat is werkelijk wat de tabel zegt. Het is ook een tabel die het artikel gedeeltelijk samenstelt uit eerder gerapporteerde resultaten, en een waarin de verstaanbaarheidskolom van ElevenLabs 73,94% WER bevat voor Thai, 73,42% voor Vietnamees en 16,03% voor Chinees. Dat zijn niet de cijfers van een functionerend commercieel product; ze zijn kenmerkend voor een verkeerde scoring of configuratie. Een tabel die in de ene kolom zo gebrekkig is, wordt niet betrouwbaar in een andere omdat het resultaat het model waar je over leest vleit.

Vijf modi vanuit één backbone — en het recept dat uw cijfers in beweging brengt

Het mooiste idee in de architectuur is dat VoxCPM2 geen afzonderlijke modellen of koppen heeft voor zijn mogelijkheden. Alle vijf modi zijn dezelfde parameters met een anders gerangschikte invoervolgorde, en daarom dekt één enkele 2B-checkpoint af wat normaal gesproken een kleine vloot vereist:

• Basic TTS — tekst in, audio uit.

• Stemontwerp — een beschrijving tussen haakjes wordt eenvoudigweg vooraan aan de tekst toegevoegd, dus "(een vermoeide man van middelbare leeftijd, schor, langzaam sprekend)" en de regel zelf gaan door hetzelfde taalmodel zonder extra module. Helemaal geen referentieaudio.

• Referentieklonen — een geïsoleerd referentiefragment conditioneert de sprekersidentiteit, zonder dat er een transcript nodig is.

• Controleerbaar klonen — referentieclip plus een stijlbeschrijving, zodat je een stem kunt klonen en deze vervolgens haastig of geamuseerd kunt laten klinken.

• Continuatieklonen — referentieclip gekoppeld aan het bijbehorende transcript, behandeld als een audioprefix dat het model voortzet, wat de modus met de hoogste getrouwheid is.

In het rapport verscholen zit een knop die de meeste besprekingen overslaan, en het is degene die je resultaten het meest waarschijnlijk verandert. De twee conditioneringspaden — geïsoleerde referentie en voortzettingsprefix — kunnen afzonderlijk of samen worden gebruikt, en ze werken elkaar tegen. In OpenBMB's eigen ablatie geeft het samen gebruiken van beide de beste sprekersimilariteit op elke subset. Het weglaten van de voortzettingsprefix en alleen de geïsoleerde referentie doorgeven geeft de beste verstaanbaarheid op moeilijke Chinese tekst: 6,85% CER tegen 7,44%, terwijl het ongeveer vijf punten similariteit inlevert. De uitleg in het artikel is redelijk: zonder een temporeel audiovoorvoegsel dat de prosodie verankert, heeft het model meer vrijheid om een voordracht te kiezen die moeilijke tekst overleeft.

Dus de standaard is een keuze, geen plafond. Voice-matchingwerk vereist beide paden; moeilijke of ongebruikelijke tekst vereist uitsluitend referentie. Eén eerlijke kanttekening: de absolute cijfers in die ablatietabel zijn niet in overeenstemming met de hoofdtabel voor het recept waarvan het artikel zegt dat het het overal heeft gebruikt, wat in een preprint waarschijnlijk eerder een administratief foutje is dan iets sinisters — maar het is een derde reden om elk getal hier te behandelen als een richting om te testen in plaats van een waarde om te citeren.

Voice design: meer gehoorzaam dan natuurlijk

Spraakontwerp is de functie die deze release interessant maakt in plaats van incrementeel, en het is de functie waarbij de eigen cijfers van de leverancier het meest onthullend zijn over een echte afweging.

Op InstructTTSEval scoort VoxCPM2 84,2 op akoestische-parameterspecificatie, 83,2 op descriptieve-stijlrichtlijnen en 71,4 op rollenspel voor het Engels — dat laatste cijfer is het beste in de tabel, vóór Qwen3-TTS-1.7B-VD met 68,4 en Gemini-TTS-Pro met 67,2. Voor het Chinees presteert het zwakker en de volgorde keert om: 85,2 / 71,5 / 60,8, tegenover Gemini-TTS-Pro's 89,0 / 90,1 / 75,5. De sterkste bewering die dus mogelijk is, is dat VoxCPM2 vooroploopt op het gebied van Engels rollenspel en vrijwel overal elders op het gebied van instructie-opvolging achter een gesloten frontiersysteem blijft.

Het menselijke luisterpanel — 50 luisteraars, gerandomiseerd en dubbelblind, volgens het rapport — scherpt het aan. Bij gecontroleerde generatie scoort VoxCPM2 4.50 op instructie-opvolging, tegen 4.41 van Qwen3-TTS-VD, en blijft het achter op natuurlijkheid met 4.48 tegen 4.61. Bij eenvoudige zero-shot cloning wint het op sprekersgelijkenis (4.74 tegen 4.69) en eindigt gelijk of iets lager op natuurlijkheid (4.78 tegen 4.80 van Qwen3-TTS, met overlappende betrouwbaarheidsintervallen).

Het patroon is consistent genoeg om op te plannen: VoxCPM2 doet wat je zegt en klinkt daarbij iets minder menselijk, terwijl Qwen3-TTS iets beter klinkt en instructies iets minder nauwkeurig opvolgt. Welke de juiste is, hangt er volledig van af of de waarde van jouw product ligt in nauwkeurige controle of moeiteloze levering. OpenBMB licht zelf het bijbehorende gevolg toe in zijn beperkingen, en het is het soort ding dat leveranciers meestal weglaten: stemontwerp en controleerbare klonen "kunnen variabele resultaten opleveren tussen runs," en het kan verschillende pogingen kosten om de stem te krijgen die je wilt. Bouw een herpoging in je pipeline en, als de stem ertoe doet, een menselijke luistercontrole.

Wat het kost om te draaien, en wanneer huren de juiste keuze is

Er is nergens een gehoste VoxCPM2. De eigen zijbalk van Hugging Face zegt het duidelijk — "Dit model wordt door geen enkele Inference Provider aangeboden" — en dat geldt ook voor ons: OrcaRouter serveert VoxCPM2 niet, en het maakt niet uit hoeveel je het wilt, het verandert niets aan het feit dat een 2B TTS-model zonder inference-partner óf weights zijn die je zelf host, óf niets.

Dat maakt de kostenkwestie een GPU-kwestie, en de rekenkunde is eenvoudig. Bij de Nano-vLLM real-time factor van 0,13 op een enkele RTX 4090 levert één GPU-uur ongeveer 7,7 uur audio op, dus je kosten per audio-uur zijn je uurtarief voor één 24 GB-kaart gedeeld door ongeveer 7,7. In gewoon PyTorch bij RTF 0,30 zakt dat naar ongeveer 3,3 uur audio per GPU-uur. Beide cijfers zijn van OpenBMB, gemeten op hun hardware met hun tekst, en beide zullen op de jouwe veranderen — batchgrootte, tekstmoeilijkheid en hoeveel herhalingen je kwaliteitscontrole afdwingt, zijn allemaal vermenigvuldigers die het RTF-getal niet bevat. Het herhalingspercentage is wat mensen vergeten: een model waarvan de leverancier zegt dat het mogelijk meerdere pogingen nodig heeft om een doelstem te bereiken, kost niet wat het RTF impliceert.

De vergelijking die mensen nu willen maken, is met een gehuurde API, en het eerlijke antwoord is dat de twee zich niet netjes laten omrekenen. openai/tts-1-hd rekent $30.00 per miljoen in- en uitgaande tokens — dat is de catalogusprijs van de provider, die via OrcaRouter rechtstreeks wordt doorberekend, aangezien wij 0% opslag rekenen, dus het bedrag op onze modelpagina is het bedrag dat OpenAI in rekening brengt. Maar tokens zijn geen seconden, en er is geen gepubliceerd tarief dat de ene betrouwbaar genoeg naar de andere omzet om er een spreadsheet op te baseren. Iedereen die je een nette vergelijking per uur toont tussen een zelf gehost TTS-model met open-weights en een API die per token factureert, heeft een aanname gemaakt zonder die aan je te tonen.

Wat de moeite waard is om te zeggen, is waar de grens architectonisch ligt. Self-hosting van VoxCPM2 is zinvol wanneer je een specifieke gekloonde stem nodig hebt, wanneer het audiovolume stabiel genoeg is om een GPU bezig te houden, wanneer data je infrastructuur niet mag verlaten, of wanneer je van plan bent om het te LoRA-finetunen – en dat ondersteunt het op 5 tot 10 minuten aan doelaudio, wat werkelijk goedkoop is. Huren is zinvol wanneer het volume piekerig is, wanneer je geen GPU kunt bemannen, of wanneer de stem inwisselbaar is. De meeste echte stemproducten zijn twee systemen, niet één: een syntheselaag en een taalmodel dat het redeneren tussen de oren doet. De redenerende helft is het deel dat het waard is om achter één sleutel te plaatsen met automatische failover tussen providers, zodat een modelwissel een stringwijziging is in plaats van een inkoopcyclus; dat is de vorm waar OrcaRouter voor bedoeld is, bij 200+ modellen. De synthesehelft, wanneer het een specifieke stem is die je bezit en finetunet, hoort thuis op je eigen hardware. VoxCPM2 bevindt zich nadrukkelijk in die tweede categorie, en het feit dat niemand het aanbiedt is een gevolg van wat het is, eerder dan een vergissing.

Wat OpenBMB zegt dat je niet moet verwachten

Het gedeelte over beperkingen is ongewoon openhartig voor een release met zoveel momentum, en het is kort genoeg om serieus te nemen:

• Kloonkwaliteit is een misbruikoppervlak. De kaart zegt dit rechtstreeks: het model produceert spraak die realistisch genoeg is voor imitatie en fraude, en AI-gegenereerde audio moet worden gelabeld. Apache-2.0 legt hierop absoluut geen beperking op — in tegenstelling tot de licenties van verschillende concurrerende open-weight-stemmodellen is er geen clausule over aanvaardbaar gebruik om je achter te verschuilen. Je beleid voor toestemming en openbaarmaking schrijf je zelf.

• Run-to-run variatie wordt verwacht op de twee controlefuncties, geen bug om te melden.

• De 30 talen vormen een echte grens. Alles daarbuiten kan werken en is ongetest; reken erop dat je moet finetunen.

• De consistentie van stijlcontrole wordt beschreven als nog in ontwikkeling door de mensen die het hebben gebouwd.

En de hiaten die de kaart niet noemt: geen enkele openbaarmaking van de trainingscorpus, dus een Apache-2.0-licentie op de gewichten beslecht de codekwestie en zegt niets over de herkomst van de data. Geen onafhankelijke evaluatie van enig cijfer in dit artikel. Geen gepubliceerde latentie in milliseconden — RTF is een doorvoerratio, en een stemagent staat of valt met de tijd-tot-eerste-audio, die nergens in het rapport voorkomt.

Drie vragen die de modelkaart niet beantwoordt

Moet ik overstappen van VoxCPM1.5 of VoxCPM-0.5B?

Alleen voor de nieuwe mogelijkheden, en alleen na meting. Als je talen nodig hebt naast Chinees en Engels, stemontwerp of stijlcontroleerbare kloning, is de upgrade het hele punt en is er geen alternatief binnen de familie. Als je vandaag Engelse of Chinese kloning draait en tevreden bent, is de zaak op het eerste gezicht zwak: dezelfde benchmark toont dat VoxCPM-0.5B VoxCPM2 evenaart op foutpercentage, en je zou het dubbele aan latentie en een derde meer VRAM betalen voor ongeveer 2,4 punten sprekersimilariteit. Er is ook een migratiedetail dat gemakkelijk over het hoofd wordt gezien — als je VoxCPM1.5 44,1 kHz referentieaudio voerde, neemt de encoder van VoxCPM2 16 kHz, dus je referentiepijplijn verandert en de bovenkant van je bronmateriaal doet er niet meer toe.

Kan ik hier daadwerkelijk een commercieel spraakproduct op uitbrengen?

Juridisch gezien is de licentie ongeveer zo permissief als ze maar kunnen zijn: Apache-2.0, geen poortwachter, geen gebruiksbeperkingen, commercieel gebruik expliciet toegestaan, zowel de gewichten als de finetuning-code vallen eronder. De open vraag is niet de licentietekst maar wat er achter ontbreekt. OpenBMB noemt geen trainingscorpus, wat betekent dat niemand je kan vertellen wiens stemmen er in de 2 miljoen uur zitten. Voor een model waarvan het hoofdkenmerk het reproduceren van de stem van een specifiek persoon is, is dat een vraag voor je eigen juridische adviseur en niet voor een modelkaart — en het is dezelfde vraag die elk open-weight spraakmodel momenteel ontwijkt. In de praktijk zijn de hardere blokkades operationeel: nog geen native Transformers-klasse, nergens een gehost eindpunt, run-tot-run-variatie op de stuurparameters, en geen time-to-first-audio-cijfer als je iets conversationeels bouwt.

Is het goed genoeg om een betaalde TTS-leverancier te vervangen?

Voor Engelse en Chinese voice-overs, vooraf opgenomen content en elke workload waarbij je een specifieke stem beheert en het werk kunt bundelen: ja, op basis van het beschikbare bewijs, en de licentie maakt het uitproberen bijna gratis. Voor realtime conversatieagenten: meet zelf de time-to-first-audio voordat je je vastlegt, want niemand heeft dat gepubliceerd en RTF zal het je niet vertellen. Voor Arabisch, Hindi of elke taal in de lange staart: de twee eigen evaluaties van de leverancier verschillen met een orde van grootte, dus behandel het model daar als onbewezen, ongeacht welk getal je geciteerd hebt zien worden. En voor alles waarbij een verkeerde uitspraak een zakelijk incident is in plaats van een ergernis: merk op dat VoxCPM2 niet de leider op het gebied van verstaanbaarheid is, zelfs niet in zijn eigen tabel — Fish Audio S2 en LongCat-Audio-DiT staan er vóór, en zij hebben ook open-weights.

Wat te kijken

Twee dingen, op verschillende tijdschalen. De eerstvolgende is PR #47756 en de MiniCPM4 PR eronder. Als ze mergen, wordt VoxCPM2 een AutoModel-aanroep en de integratiekosten voor iedereen die op Transformers is gestandaardiseerd, dalen van de ene op de andere dag tot bijna niets — en aangezien 900.282 downloads per maand al op de moeilijke manier gebeuren, is dat een betekenisvolle ontsluiting. Als ze stagneren, blijft het antwoord voor die teams "gebruik het pakket van OpenBMB of het vLLM-Omni-eindpunt", en de communitybijdrager die beide PR's draagt, heeft geen hefboom om dat te veranderen.

De tragere vraag is of er buiten OpenBMB ooit iemand een getal publiceert. Vier maanden na de release, met 900.000 maandelijkse downloads, 25 finetunes en meer dan 100 Spaces die erop zijn gebouwd, is elk prestatiecijfer dat circuleert nog altijd terug te voeren op één technisch rapport, geschreven door de mensen die het model hebben getraind. Dat is geen kritiek op OpenBMB, die hun werk grondiger en eerlijker hebben gedocumenteerd dan de meeste — het rapport vermeldt uit zichzelf zijn herkennerkeuzes, zijn zwakke punten op het gebied van datavolume en zijn eigen instabiliteit. Het is kritiek op de rest van ons. Het meest waardevolle dat iemand in de open-source spraakgemeenschap deze maand zou kunnen publiceren, is een door Whisper gescoorde Seed-TTS-Eval- en MiniMax-MLS-run van VoxCPM2, Qwen3-TTS, Fish Audio S2 en LongCat-Audio-DiT onder identieke omstandigheden. Zolang dat niet bestaat, is de eerlijke samenvatting van VoxCPM2 dat het het meest capabele open-weights stemmodel per checkpoint is dat iemand heeft uitgebracht, dat het niet het meest nauwkeurige is, en dat beide helften van die zin berusten op het woord van de leverancier.