VoxCPM2: 900 mil downloads por mês, e Transformers ainda não consegue carregá-lo

Os metadados do Hugging Face para VoxCPM2 listam sua biblioteca como voxcpm — não transformers. Esse único campo explica uma lacuna estranha no mundo open source da fala neste momento: o modelo de text-to-speech com 2B parâmetros da OpenBMB acumulou 900.282 downloads nos últimos trinta dias, gerou 25 finetunes públicos, 10 quantizações, 7 adaptadores e mais de 100 Spaces, e ainda assim não pode ser carregado pela biblioteca com a qual quase todos os outros modelos desse site são carregados. O pull request para corrigir isso foi aberto em 4 de agosto de 2026 e continua aberto até hoje.

Essa lacuna merece ser compreendida antes que a correção chegue, porque ela molda quanto custa integrar este modelo esta semana versus no próximo trimestre. E ela se apoia em uma questão mais interessante, que é se o VoxCPM2 está realmente tão à frente quanto a cobertura sugere. Tudo abaixo é lido a partir de três fontes primárias: o openbmb/VoxCPM2 model card e metadados do repositório, o README do GitHub OpenBMB/VoxCPM e o Relatório Técnico do VoxCPM2 (arXiv:2606.06928, submetido em 5 de junho de 2026). Cada figura de benchmark neste artigo é do próprio OpenBMB, executada pela OpenBMB, e — como o próprio artigo afirma para sua principal tabela de comparação — os números concorrentes nela foram copiados de outros artigos em vez de serem reexecutados em condições correspondentes. Pelo que conseguimos encontrar, nenhum laboratório independente publicou uma reprodução de qualquer parte disso.

A ficha técnica, em uma tela

VoxCPM2 foi lançado em abril de 2026 (o repositório Hugging Face foi criado em 3 de abril, última modificação em 16 de abril) como a terceira geração da linha VoxCPM. Em comparação com seu antecessor imediato:

• Tamanho — 2B parâmetros vs backbone de 0.8B do VoxCPM1.5 e de 0.6B do VoxCPM-0.5B.

• Idiomas — 30 mais 9 dialetos chineses, contra apenas chinês e inglês em ambas as versões anteriores.

• Áudio — aceita referência de 16 kHz, emite 48 kHz, contra os 44.1 kHz simétricos de entrada e saída do VoxCPM1.5.

• Backbone — MiniCPM-4-1B (28 camadas, largura 2048) como o modelo de linguagem texto-semântico, em comparação com o MiniCPM-4-0.5B (24 camadas, largura 1024).

• Orçamento de sequência — 8192 tokens a uma taxa de tokens de 6,25 Hz do lado do modelo de linguagem, o que equivale a aproximadamente 20 minutos de áudio em um único contexto.

• Custo de um segundo de fala — fator de tempo real 0,30 em PyTorch puro e 0,13 via Nano-vLLM em uma RTX 4090, com cerca de 8 GB de VRAM. VoxCPM1.5 conseguiu 0,15 com 0,8B e 6 GB.

• Licença — Apache-2.0 nos pesos, no código de ajuste fino e nas ferramentas de inferência. Sem bloqueio, sem cláusula de uso aceitável, uso comercial permitido.

• Dados de treinamento — "mais de 2 milhões de horas" de fala multilíngue, sem corpus nomeado e sem declaração de procedência.

Leia a linha RTF duas vezes, porque ela corre na direção errada. O VoxCPM2 é aproximadamente duas vezes mais lento por segundo de áudio gerado do que o modelo de 0,8B que ele substitui, e precisa de um terço a mais de VRAM. O 2B não comprou taxa de transferência; ele comprou idiomas e controle, e cobrou latência por isso. Se você está executando um agente em tempo real, essa troca é a primeira coisa a precificar.

O que o PR #47756 realmente muda

Hoje, rodar o VoxCPM2 significa instalar o pacote da própria OpenBMB — pip install voxcpm, Python 3.10 a 3.12, PyTorch 2.5 ou mais recente, CUDA 12 ou mais recente — e carregar o modelo por meio de VoxCPM.from_pretrained, uma chamada que não tem nada a ver com a API Transformers. Tudo o que vem depois dessa decisão é sob medida: seu próprio batching, sua própria cola de integração para servir, seu próprio tratamento dos cinco modos de geração.

O trabalho em andamento mudaria isso. A issue #47695, "Add native support for OpenBMB VoxCPM2", foi aberta em 31 de julho. O PR #47756, "support for VoxCPM2", veio em seguida em 4 de agosto e foi atualizado pela última vez em 5 de agosto. Ele carrega o rótulo "New model" e adiciona uma configuração modular e implementação de modelagem, um tokenizador e processador personalizados, codificação e decodificação AudioVAE com streaming, condicionamento por voz de referência, continuação de áudio por prompt, registros automáticos de classe e uma entrada de pipeline de texto para waveform — com 64 testes de modelo relatados como aprovados. Ele está empilhado sobre o PR #47736, que adiciona o próprio MiniCPM4; o backbone de texto precisa ser integrado antes que o modelo de fala que o envolve possa.

Dois detalhes merecem peso, e ambos vão contra o otimismo. Primeiro, todos os três itens — a issue e ambos os pull requests — foram abertos pelo mesmo contribuidor individual da comunidade, não pela OpenBMB e não por um mantenedor da Hugging Face. Não há compromisso de fornecedor por trás disso e, portanto, nenhum cronograma no qual você possa se basear. Segundo, uma pilha de dois PRs com 203 commits envolvendo uma nova modalidade não é uma revisão rápida. PRs de novos modelos no Transformers rotineiramente levam semanas de idas e voltas com mantenedores, e este tem apenas quatro comentários até agora.

A leitura prática: se uma classe Transformers nativa é essencial para sua arquitetura — porque você padroniza em AutoModel, ou porque sua camada de serviço só fala Transformers — VoxCPM2 não está pronto para você, e não há data. Se você puder viver dentro do voxcpm pacote, o modelo é totalmente utilizável hoje, e o ecossistema deixou claro que isso é tolerável: 900.282 downloads aconteceram sem que existisse suporte nativo algum. Há também um caminho intermediário que a maioria das análises não menciona. A OpenBMB oferece uma integração vLLM-Omni que expõe um endpoint compatível com OpenAI /v1/audio/speech endpoint, além de uma versão llama.cpp-omni com pesos GGUF que roda em CPU, Metal, CUDA ou Vulkan, sem nenhuma dependência de Python. Se o que você realmente queria do Transformers era uma superfície de serviço padrão em vez da classe em si, isso já existe.

"Sem tokenizador" não significa "não quantizado".

A frase em cada manchete sobre este modelo é a mais frequentemente mal interpretada. O VoxCPM2 não possui codec de áudio discreto externo — não há um vocabulário aprendido de tokens de fala entre o modelo de linguagem e a forma de onda, como existe nas linhagens CosyVoice ou Moshi. Essa é a afirmação, e ela é verdadeira.

Há ainda quantização dentro do modelo. O backbone executa um gargalo semidiscreto diferenciável baseado em Finite Scalar Quantization, e o artigo é explícito sobre o seu papel: o modelo de linguagem semântico-textual produz estados ocultos; a FSQ os quantiza escalarmente por dimensão em um "esqueleto semântico"; um modelo de linguagem acústico residual recupera o detalhe fino descartado pela FSQ; e um transformer de difusão local converte ambos os fluxos de condicionamento no próximo patch latente contínuo por meio de flow matching. Os quatro estágios que você vê abreviados como LocEnc, TSLM, RALM e LocDiT são exatamente essa cadeia.

A distinção que importa na prática não é {{1}}quantizado versus não quantizado.{{/1}} É que o gargalo é treinado de ponta a ponta com tudo ao seu redor, {{2}}em vez de congelado antecipadamente como um codec separado com sua própria perda.{{/2}} É isso que elimina o modo de falha usual em que um modelo de linguagem aprende a prever tokens que um codec não consegue decodificar fielmente. VoxCPM2 ampliou esse gargalo FSQ de 256 para 512 dimensões e substituiu a antiga soma elemento a elemento que alimentava o modelo residual por uma projeção de concatenação aprendível — {{3}}pequenas mudanças, e entre as poucas no relatório respaldadas por um mecanismo declarado em vez de um delta de benchmark.{{/3}}

A saída de 48 kHz é parcialmente inventada, e esse é o design.

"Saída de qualidade de estúdio a 48 kHz" é a especificação mais citável do modelo e a mais amplamente mal compreendida. O AudioVAE V2 é assimétrico: o codificador opera a 16 kHz, o decodificador reconstrói a 48 kHz. O artigo chama isso de "super-resolução implícita", o que é um nome honesto para o que é.

Siga a consequência. Um codificador de 16 kHz tem um teto de Nyquist de 8 kHz, portanto nada acima de 8 kHz no seu áudio de referência jamais chega ao modelo. Cada bit de energia nas duas oitavas superiores da saída — o ar de uma voz, a sibilância, o brilho da borda do prato — é gerado pelo decodificador a partir de um prior plausível, e não herdado do locutor que você clonou. Para a maior parte do trabalho de narração e de agentes, isso é invisível ou até uma melhoria, porque um bom prior aprendido supera um shelf rígido de 8 kHz. Para qualquer pessoa cuja função é a fidelidade a uma voz gravada específica, é um fato em torno do qual projetar, e não é algo que um teste de escuta nos alto-falantes do seu laptop vai revelar.

A justificativa do artigo é o argumento de engenharia mais credível do relatório, e vale a pena reafirmá-la porque não é marketing: manter o codificador a 16 kHz permite que a OpenBMB reutilize integralmente o corpus de treinamento original de 16 kHz do VoxCPM, elimina a incompatibilidade latente entre fontes gravadas em diferentes taxas de amostragem e evita a explosão no comprimento da sequência que uma taxa de entrada mais alta imporia a um loop autorregressivo. Elevar apenas o decodificador compra fidelidade de saída sem pagar por ela na parte cara do modelo. Essa é uma boa troca, feita deliberadamente. Isso também significa que os usuários do VoxCPM1.5 estão passando de um codificador de 44,1 kHz para um de 16 kHz — um downgrade no lado da entrada vendido como parte de um upgrade no lado da saída. A própria tabela de reconstrução da OpenBMB mostra o formato disso: o codec do VoxCPM1.5 ainda registra a melhor distância mel de banda completa das três gerações, 1,139 contra 1,335 do AudioVAE V2, porque opera nativamente em alta taxa de amostragem, em vez de reconstruir até uma taxa alta.

Lendo o placar da OpenBMB do jeito que a OpenBMB o escreveu.

Competitivo, não o primeiro

No Seed-TTS-Eval, o benchmark padrão de clonagem de voz zero-shot, o VoxCPM2 relata uma taxa de erro de palavras de 1,84% com 75,3% de similaridade do locutor no conjunto em inglês, 0,97% de taxa de erro de caracteres com 79,5% de similaridade no chinês e 8,13% de CER com 75,3% de similaridade no subconjunto chinês difícil. A própria palavra do artigo para isso é "competitivo", e a tabela apoia essa palavra em vez das mais fortes que circulam.

Entre os sistemas de código aberto nessa mesma tabela, o Fish Audio S2 apresenta uma taxa de erro melhor nos três subconjuntos (0,99 / 0,54 / 5,99). O Qwen3-TTS o supera em WER para inglês, com 1,23. E o LongCat-Audio-DiT vence de forma categórica em cinco das seis células — 1,50 de WER e 78,6 de similaridade em inglês, 81,8 de similaridade em chinês, 6,04 de CER e 79,7 de similaridade em chinês difícil. Onde o VoxCPM2 realmente se destaca é no equilíbrio: é um dos pouquíssimos sistemas que está simultaneamente perto do topo em similaridade e respeitável em inteligibilidade, e é o único nessa lista que também faz design de voz em linguagem natural. Mas "estado da arte" não é o que sua própria tabela principal mostra, e o enquadramento honesto é que este é um generalista forte, não um líder de benchmarks.

3.3x os parâmetros renderam quase nenhuma inteligibilidade.

A linha mais útil dessa tabela é aquela que ninguém cita. {{1}}O VoxCPM-0.5B, a primeira geração de 0,6B de setembro de 2025, obtém 1,85% de WER em inglês e 0,93% de CER em chinês.{{/1}} {{2}}O VoxCPM2, com 2B, obtém 1,84% e 0,97%.{{/2}} {{3}}Dentro do ruído em inglês, e ligeiramente pior em chinês.{{/3}}

O que os parâmetros extras realmente entregaram é visível nas colunas de similaridade e em nenhum outro lugar: a SIM em inglês subiu de 72,9 para 75,3, e a de chinês, de 77,2 para 79,5. Todo o resto que o 2B comprou está totalmente fora deste benchmark — mais 28 idiomas, design de voz a partir de uma descrição em texto, clonagem com controle de estilo, saída de 48 kHz. Isso é muito, e é o caso honesto para a atualização. Mas se a sua carga de trabalho é clonagem em inglês ou chinês e você está escolhendo com base na taxa de erro, o VoxCPM2 não dá nada que o modelo 0.6B já não desse, com o triplo dos pesos e o dobro da latência. Curiosamente, o VoxCPM1.5 é o pior dos três neste benchmark (2,12 / 1,18), o que faz a progressão da família parecer menos uma escada e mais três produtos diferentes.

Um modelo, duas avaliações, separadas por uma ordem de grandeza

É aqui que se exige cuidado, porque os dois resultados multilíngues neste relatório discordam violentamente e ambos são citados como se resolvessem a questão.

A manchete é uma taxa média de erro de 1,68% em 30 idiomas. Isso vem de um conjunto de testes que a própria OpenBMB construiu — 500 enunciados por idioma — e avaliado com o Gemini 3.1 Flash Lite como reconhecedor. Nele, o VoxCPM2 registra inglês 0,42, chinês 0,92, hindi 0,79, árabe 1,23.

O relatório também executa o MiniMax-MLS-Test, um conjunto de terceiros com 24 idiomas, avaliado com o Whisper-large-v3. Mesmo modelo. Lá, o VoxCPM2 registra hindi 19,70 e árabe 13,05 — vinte e cinco vezes e dez vezes piores, respectivamente, do que seu próprio benchmark afirma, em idiomas que ele suporta oficialmente. Também nessa coluna: cantonês 38,58, tcheco 24,13, romeno 21,58, ucraniano 6,32.

Três coisas reconciliam a maior parte disso, e vale a pena separá-las porque a versão amplamente difundida dessa história se equivoca sobre elas:

• Tcheco, romeno e ucraniano não são idiomas suportados. Verifique as próprias tags de idioma do repositório: 30 códigos, e nenhum deles é cs, ro ou uk. Criticar o VoxCPM2 por 24% de WER em tcheco é criticá-lo por um idioma que ele nunca afirmou suportar. O cantonês plausivelmente se enquadra nos "9 dialetos chineses", mas todos os sistemas nessa coluna ficam acima de 30% nele, o que aponta para o reconhecedor, e não para qualquer um dos modelos.

• Árabe e hindi são suportados, e são a verdadeira descoberta. Estas são as duas línguas em que a OpenBMB afirma ter cobertura e em que as suas duas avaliações diferem por uma ordem de grandeza. A explicação do próprio artigo é que estas línguas têm "volume de dados relativamente limitado" no corpus de treino e que "parte do WER mais elevado pode advir da acurácia limitada do reconhecedor." Essa é uma hipótese razoável e não testada. Se você está lançando um sistema de fala em árabe ou hindi, a faixa publicada para este modelo é de 0,79% a 19,70% e nenhum dos extremos é verificado de forma independente. Reserve um dia para suas próprias medições; não conte com nenhum dos dois números.

• As métricas nem sequer estão na mesma unidade.O hindi é avaliado como taxa de erro de caracteres no conjunto interno e taxa de erro de palavras no MiniMax-MLS. Essas não são grandezas comparáveis, o que é mais um motivo pelo qual a diferença de 25x não é uma condenação clara — e mais um motivo para que a média de 1,68% não seja lida como uma pontuação em bases equivalentes.

A mesma cautela se aplica à afirmação que faz o maior trabalho numérico na cobertura deste modelo: de que o VoxCPM2 supera a ElevenLabs em similaridade de locutor, 85,4% a 61,3% em inglês, vencendo em 22 de 24 idiomas. É genuinamente o que a tabela diz. É também uma tabela que o artigo monta parcialmente a partir de resultados previamente relatados, e uma em que a coluna de inteligibilidade da ElevenLabs contém 73,94% de WER em tailandês, 73,42% em vietnamita e 16,03% em chinês. Esses não são números de um produto comercial funcional; são a assinatura de uma incompatibilidade de pontuação ou configuração. Uma tabela tão quebrada em uma coluna não se torna confiável em outra só porque o resultado favorece o modelo sobre o qual você está lendo.

Cinco modos a partir de uma única espinha dorsal — e a receita que move seus números

A ideia mais elegante na arquitetura é que o VoxCPM2 não possui modelos ou cabeças separados para suas capacidades. Todos os cinco modos são os mesmos parâmetros com a sequência de entrada organizada de forma diferente, e é por isso que um único checkpoint de 2B cobre o que normalmente exigiria uma pequena frota:

• Basic TTS — texto entra, áudio sai.

• Design de voz — uma descrição entre parênteses é simplesmente anteposta ao texto, então "(um homem de meia-idade cansado, com voz rouca, falando devagar)" e a própria linha passam pelo mesmo modelo de linguagem, sem módulo extra. Nenhum áudio de referência.

• Clonagem de referência — um clipe de referência isolado condiciona a identidade do locutor, sem necessidade de transcrição.

• Clonagem controlável — um clipe de referência mais uma descrição de estilo, para que você possa clonar uma voz e depois pedir que ela soe apressada ou divertida.

• Clonagem de continuação — clipe de referência emparelhado com sua transcrição, tratado como um prefixo de áudio que o modelo continua, sendo o modo de maior fidelidade.

Escondido no relatório há um controle que a maioria dos artigos ignora, e é o que tem maior probabilidade de mudar seus resultados. As duas vias de condicionamento — referência isolada e prefixo de continuação — podem ser usadas separadamente ou juntas, e há um trade-off entre elas. Na própria ablação da OpenBMB, usar ambas juntas proporciona a melhor similaridade de locutor em todos os subconjuntos. Eliminar o prefixo de continuação e passar apenas a referência isolada proporciona a melhor inteligibilidade em texto chinês difícil, 6.85% CER contra 7.44%, abrindo mão de cerca de cinco pontos de similaridade. A explicação do artigo é sensata: sem um prefixo de áudio temporal fixando a prosódia, o modelo tem mais liberdade para escolher uma emissão que sobreviva a textos difíceis.

Então, o padrão é uma escolha, não um teto. Trabalhos de correspondência de voz exigem ambos os caminhos; texto difícil ou incomum exige apenas referência. Uma ressalva honesta: os números absolutos naquela tabela de ablação não batem com a tabela principal para a receita que o artigo diz ter usado em toda parte, o que em um preprint é mais provavelmente um deslize contábil do que algo sinistro — mas é uma terceira razão para tratar cada número aqui como uma direção a testar, em vez de um valor a citar.

Design de voz: mais obediente do que natural.

O design de voz é o recurso que torna este lançamento interessante em vez de incremental, e é aquele em que os números do próprio fornecedor são mais reveladores sobre um verdadeiro trade-off.

No InstructTTSEval, o VoxCPM2 obtém 84,2 em especificação de parâmetros acústicos, 83,2 em diretivas de estilo descritivo e 71,4 em role-play para inglês — esse último número é o melhor da tabela, à frente do Qwen3-TTS-1.7B-VD com 68,4 e do Gemini-TTS-Pro com 67,2. Em chinês, é mais fraco e a ordenação se inverte: 85,2 / 71,5 / 60,8, contra os 89,0 / 90,1 / 75,5 do Gemini-TTS-Pro. Portanto, a afirmação mais forte disponível é que o VoxCPM2 lidera em role-play em inglês e fica atrás de um sistema fechado de ponta em quase todos os outros aspectos de seguir instruções.

O painel de audição humana — 50 ouvintes, randomizado e duplo-cego, conforme o relatório — aprimora isso. Na geração controlável, o VoxCPM2 obtém 4.50 em seguimento de instruções contra 4.41 do Qwen3-TTS-VD, e perde em naturalidade com 4.48 contra 4.61. Na clonagem zero-shot simples, vence em similaridade de locutor (4.74 contra 4.69) e empata ou fica atrás em naturalidade (4.78 contra 4.80 do Qwen3-TTS, com intervalos de confiança sobrepostos).

O padrão é consistente o suficiente para servir de base ao planejamento: o VoxCPM2 faz o que você manda e soa um pouco menos humano ao fazê-lo, enquanto o Qwen3-TTS soa um pouco melhor e segue as instruções com um pouco menos de precisão. Qual deles é o certo depende inteiramente de o valor do seu produto ser controle preciso ou entrega sem esforço. A OpenBMB sinaliza o corolário nas próprias limitações, e é o tipo de coisa que os fornecedores costumam omitir: o design de voz e a clonagem controlável "podem produzir resultados variáveis entre execuções", e obter a voz desejada pode exigir várias tentativas. Incorpore uma nova tentativa ao seu pipeline e, se a voz for importante, uma etapa de escuta humana.

Quanto custa operar, e quando alugar é a decisão certa

Não há VoxCPM2 hospedado em lugar nenhum. A própria barra lateral do Hugging Face afirma claramente — "This model isn't deployed by any Inference Provider" — e isso nos inclui: o OrcaRouter não serve o VoxCPM2, e de nada adianta querer: um modelo TTS de 2B sem parceiro de inferência é pesos que você hospeda ou nada.

O que torna a questão de custo uma questão de GPU, e a aritmética é simples. Com o fator de tempo real de 0,13 do Nano-vLLM em uma única RTX 4090, uma hora de GPU produz cerca de 7,7 horas de áudio; portanto, seu custo por hora de áudio é sua taxa horária para uma placa de 24 GB dividida por cerca de 7,7. Em PyTorch puro, com RTF de 0,30, isso cai para cerca de 3,3 horas de áudio por hora de GPU. Ambos os números são da OpenBMB, medidos no hardware deles com o texto deles, e ambos mudarão dependendo dos seus — tamanho do lote, dificuldade do texto e quantas tentativas o seu gate de qualidade exige são todos multiplicadores que o número de RTF não contém. A taxa de novas tentativas é a que as pessoas esquecem: um modelo que o fornecedor diz que pode precisar de várias tentativas para atingir uma voz-alvo não custa o que o seu RTF implica.

A comparação que as pessoas querem neste ponto é com uma API alugada, e a resposta honesta é que as duas não se convertem de forma limpa. openai/tts-1-hd cobra US$ 30,00 por milhão de tokens de entrada e de saída — esse é o preço de tabela do provedor repassado diretamente no OrcaRouter, já que não aplicamos margem alguma; portanto, o número na nossa página de modelos é o mesmo que a OpenAI cobra. Mas tokens não são segundos, e nenhuma taxa publicada converte um no outro com confiabilidade suficiente para embasar uma planilha. Qualquer pessoa que mostre uma comparação limpa por hora entre um modelo TTS auto-hospedado de pesos abertos e uma API cobrada por tokens está fazendo uma suposição que não revelou a você.

O que vale a pena dizer é onde a linha cai arquiteturalmente. Hospedar o VoxCPM2 por conta própria faz sentido quando você precisa de uma voz clonada específica, quando o volume de áudio é estável o suficiente para manter uma GPU ocupada, quando os dados não podem sair da sua infraestrutura, ou quando você pretende fazer LoRA-finetune nele — e ele suporta isso com 5 a 10 minutos de áudio-alvo, o que é genuinamente barato. Alugar faz sentido quando o volume é irregular, quando você não tem equipe para operar uma GPU, ou quando a voz é intercambiável. A maioria dos produtos de voz reais são dois sistemas, não um: uma camada de síntese e um modelo de linguagem fazendo o raciocínio entre os ouvidos. A metade do raciocínio é a parte que vale a pena colocar atrás de uma única chave com failover automático entre provedores, de modo que uma troca de modelo seja uma mudança de string em vez de um ciclo de aquisição; é para isso que o OrcaRouter serve, em mais de 200 modelos. A metade da síntese, quando é uma voz específica que você possui e faz fine-tune, pertence ao seu próprio hardware. O VoxCPM2 está exatamente nessa segunda categoria, e o fato de ninguém o servir é uma consequência do que ele é, e não um descuido.

O que a OpenBMB diz para você não esperar

A seção de limitações é incomumente franca para um lançamento com tanto ímpeto, e é curta o suficiente para ser levada a sério:

• A qualidade da clonagem é uma superfície de uso indevido.O card diz isso diretamente: o modelo produz fala realista o suficiente para personificação e fraude, e o áudio gerado por IA deve ser rotulado. O Apache-2.0 não impõe absolutamente nenhuma restrição a isso — ao contrário das licenças de vários modelos concorrentes de voz de peso aberto, não há cláusula de uso aceitável atrás da qual se esconder. A sua política de consentimento e divulgação é você quem escreve.

• Espera-se variação entre execuções nos dois recursos de controle, não é um bug para registrar.

• As 30 línguas são um limite real. Qualquer coisa fora delas pode funcionar e não é testada; espere precisar de ajustes finos.

• A consistência do controle de estilo é descrita como ainda em desenvolvimento pelas pessoas que o criaram.

E as lacunas que o cartão não menciona: nenhuma divulgação do corpus de treinamento, então uma licença Apache-2.0 sobre os pesos resolve a questão do código e nada sobre a proveniência dos dados. Nenhuma avaliação independente de qualquer número neste artigo. Nenhuma latência publicada em milissegundos — RTF é uma razão de throughput, e um agente de voz vive ou morre pelo tempo até o primeiro áudio, que não aparece em lugar nenhum no relatório.

Três perguntas que o model card não resolve

Devo migrar do VoxCPM1.5 ou do VoxCPM-0.5B?

Somente para as novas capacidades, e somente após medir. Se você precisar de idiomas além do chinês e do inglês, design de voz ou clonagem com controle de estilo, a atualização é a própria razão de ser e não há alternativa dentro da família. Se você já usa clonagem em inglês ou chinês hoje e está satisfeito, o argumento é fraco por si só: o mesmo benchmark mostra o VoxCPM-0.5B igualando o VoxCPM2 em taxa de erro, e você pagaria o dobro da latência e um terço a mais de VRAM por cerca de 2,4 pontos de similaridade do locutor. Há também um detalhe de migração fácil de passar despercebido — se você alimentava o VoxCPM1.5 com áudio de referência de 44,1 kHz, o codificador do VoxCPM2 usa 16 kHz, então seu pipeline de referência muda e a parte alta do seu material de origem deixa de importar.

Posso realmente lançar um produto comercial de voz nisso?

Juridicamente, a licença é das mais permissivas que existem: Apache-2.0, sem controle de acesso, sem restrições de uso, uso comercial explicitamente permitido, com pesos e código de fine-tuning cobertos. A questão em aberto não é o texto da licença, mas o que está faltando por trás dela. A OpenBMB não revela o corpus de treinamento, o que significa que ninguém pode dizer de quem são as vozes presentes nas 2 milhões de horas. Para um modelo cuja principal característica é reproduzir a voz de uma pessoa específica, essa é uma questão para o seu próprio jurídico, e não para um model card — e é a mesma pergunta que todo modelo de voz de pesos abertos atualmente evita. Na prática, os entraves mais difíceis são operacionais: ainda não há classe nativa do Transformers, não há endpoint hospedado em lugar nenhum, há variação entre execuções nos recursos de controle e nenhum valor de time-to-first-audio se você estiver construindo algo conversacional.

É bom o suficiente para substituir um fornecedor de TTS pago?

{{1}}Para narração em inglês e chinês, conteúdo pré-gravado e qualquer carga de trabalho em que você controle uma voz específica e possa processar em lote: sim, com base nas evidências disponíveis, e a licença torna a experimentação quase gratuita.{{/1}} {{2}}Para agentes conversacionais em tempo real: meça o tempo até o primeiro áudio você mesmo antes de se comprometer, porque ninguém publicou esse dado e o RTF não vai te dizer.{{/2}} {{3}}Para árabe, hindi ou qualquer idioma na cauda longa: as duas avaliações do próprio fornecedor divergem por uma ordem de magnitude, então trate o modelo como não comprovado nesses idiomas, independentemente de qual número você viu citado.{{/3}} {{4}}E para qualquer situação em que uma pronúncia errada seja um incidente de negócio em vez de um incômodo, observe que o VoxCPM2 não é o líder em inteligibilidade nem mesmo na própria tabela dele — Fish Audio S2 e LongCat-Audio-DiT estão à frente dele nesse quesito, e eles também têm pesos abertos.{{/4}}

O que assistir

Duas coisas, em cronogramas diferentes. A mais próxima é a PR #47756 e, logo abaixo, a PR do MiniCPM4. Se forem mescladas, a VoxCPM2 se torna uma chamada de AutoModel e o custo de integração para todos que padronizaram no Transformers cai para quase nada da noite para o dia — e, como 900.282 downloads por mês já acontecem pelo caminho difícil, isso é um desbloqueio significativo. Se elas travarem, a resposta para essas equipes continua sendo "usar o pacote do OpenBMB ou o endpoint vLLM-Omni", e o contribuidor da comunidade que está tocando as duas PRs não tem alavancagem para mudar isso.

A mais lenta é saber se alguém de fora da OpenBMB vai publicar algum número. Quatro meses após o lançamento, com 900.000 downloads mensais, 25 fine-tunes e mais de 100 Spaces construídos sobre ele, todos os números de desempenho em circulação ainda remontam a um único relatório técnico escrito pelas pessoas que treinaram o modelo. Isso não é uma crítica à OpenBMB, que documentou seu trabalho de forma mais completa e mais honesta do que a maioria — o relatório expõe suas escolhas de reconhecedor, as fraquezas de volume de dados e a própria instabilidade. É uma crítica ao resto de nós. A coisa mais valiosa que qualquer pessoa na comunidade de código aberto de fala poderia publicar neste mês é uma execução de VoxCPM2, Qwen3-TTS, Fish Audio S2 e LongCat-Audio-DiT nos benchmarks Seed-TTS-Eval e MiniMax-MLS, com pontuação do Whisper, sob condições idênticas. Até que isso exista, o resumo justo do VoxCPM2 é que ele é o modelo de voz de pesos abertos mais capaz por checkpoint que alguém já lançou, que não é o mais preciso, e que ambas as metades dessa frase dependem da palavra do fornecedor.