/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
VoxCPM2
Библиотека
gguf
Опубликована
19 июн 2026

VoxCPM2-GGUF

Синтез речиТекст → аудио3 профессии

VoxCPM2-GGUF — набор весов модели VoxCPM2, разработанной openbmb и преобразованной в формат GGUF для проекта llama.cpp-omni.

11 598скачиваний за 30 дней15лайковвеса обновлены30 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для синтеза речи из текста (TTS) и zero-shot клонирования голоса по эталонной аудиозаписи, включая режим с транскрипцией эталона. Поддерживаются китайский и английский языки, а результатом является монофонический звук с частотой дискретизации 48 кГц.

Набор состоит из BaseLM и акустического компонента. BaseLM имеет 28 слоёв и размерность эмбеддингов 2048; доступны версия F16 размером около 3 ГБ и квантованная Q8_0 размером около 1,6 ГБ. Акустический стек F16 занимает около 1,7 ГБ и включает ResidualLM, FSQ, LocEnc/LocDiT CFM и AudioVAE. Запуск возможен нативно на CPU, Metal, CUDA и Vulkan без PyTorch, через llama.cpp-omni; для работы требуются один файл BaseLM и акустический файл. Версия Q8_0 рекомендована как более компактная и обеспечивающая сопоставимое качество с небольшим приростом скорости.

Сильными сторонами являются переносимый GGUF-формат, поддержка CPU и различных GPU-бэкендов, синтез речи, клонирование голоса и управление характеристиками голоса через текстовые инструкции. Ограничения включают необходимость использовать специализированный движок llama.cpp-omni и одновременно загружать два компонента; сведения о размере контекста, производительности и полном наборе поддерживаемых языков в README не указаны. Указана лицензия Apache-2.0, однако для производных весов также действуют исходные условия openbmb/VoxCPM2.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VoxCPM2 — GGUF weights for llama.cpp-omni

GGUF-converted weights of openbmb/VoxCPM2 for the C++/ggml inference engine llama.cpp-omni (tools/omni/voxcpm2).

These let you run VoxCPM2 text-to-speech and zero-shot voice cloning natively on CPU / Metal / CUDA / Vulkan via ggml — no PyTorch runtime required.

Files

FileFormatSizeComponent
VoxCPM2-BaseLM-F16.ggufF16~3.0 GBBase language model (28-layer, n_embd=2048)
VoxCPM2-BaseLM-Q8_0.ggufQ8_0~1.6 GBBase language model, 8-bit quantized (recommended)
VoxCPM2-Acoustic-F16.ggufF16~1.7 GBAcoustic stack (ResidualLM + FSQ + LocEnc/LocDiT CFM + AudioVAE)

VoxCPM2 outputs 48 kHz mono audio. You need one BaseLM (F16 or Q8_0) + the Acoustic file. Q8_0 halves the BaseLM download size with negligible quality loss and a slight speed boost.

Getting Started

1. Clone

git clone https://github.com/tc-mb/llama.cpp-omni.git
cd llama.cpp-omni

2. Build

# macOS (Metal — auto-detected):
cmake -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build --target voxcpm2-cli -j

#Linux / Windows (CUDA):
cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON
cmake --build build --target voxcpm2-cli -j

# Linux / Windows (Vulkan):
cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_VULKAN=ON
cmake --build build --target voxcpm2-cli -j

# CPU only:
cmake -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build --target voxcpm2-cli -j

3. Download GGUF Weights

You need one BaseLM (F16 or Q8_0) + the Acoustic file.

# Download Q8_0 (recommended)
huggingface-cli download DennisHuang648/VoxCPM2-
    VoxCPM2-BaseLM-Q8_0.gguf VoxCPM2-Acoustic-F16.gguf \
    --local-dir ./models

# Or download F16 (full precision)
huggingface-cli download DennisHuang648/VoxCPM2-GGUF \
    VoxCPM2-BaseLM-F16.gguf VoxCPM2-Acoustic-F16
    --local-dir ./models

Usage

Build voxcpm2-cli from llama.cpp-omni, then:

# Basic TTS (GPU by default; add --cpu to force CPU)
./voxcpm2-cli \
    -t "Hello, this is VoxCPM2 running through llama.cpp-omni." \
    -o output.wav \
    VoxCPM2-BaseLM-F16.gguf \
    VoxCPM2-Acoustic-F16.gguf

# Voice cloning (reference audio)
./voxcpm2-cli -t "Cloned voice." -r speaker.wav -o clone.wav \
    VoxCPM2-BaseLM-F16.gguf VoxCPM2-Acoustic-F16.gguf

# Reference-transcript ("ultimate") cloning
./voxcpm2-cli -t "Target text." --prompt-wav speaker.wav --prompt-text "transcript of speaker.wav" \
    -o clone.wav VoxCPM2-BaseLM-F16.gguf VoxCPM2-Acoustic-F16.gguf

Key flags: --cfg (guidance scale, default 2.0), --timesteps (CFM steps, default 10), --seed, --temperature, --stream. Voice design: prefix the text with (a calm female voice)….

Conversion

Produced with the official converter against the upstream PyTorch weights:

python tools/omni/voxcpm2/convert_voxcpm2_to_gguf.py \
    --model model.safetensors \
    --vae audiovae.pth \
    --config config.json \
    --output ./out

License & attribution

Weights derive from openbmb/VoxCPM2; their original license/terms apply. Conversion tooling and inference engine: llama.cpp-omni.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
169f64d

0 моделей