/ Модель

Характеристики

Размер весов
5 ГБ
Лицензия
Apache 2.0
Архитектура
voxcpm2 · dense
Базовая модель
VoxCPM2
Библиотека
mlx-audio
Опубликована
8 апр 2026

VoxCPM2-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная MLX-модель OpenBMB для синтеза речи, клонирования голоса по аудиообразцу и создания голоса по текстовому описанию.

1 929скачиваний за 30 дней2лайкавеса обновлены8 апр 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

VoxCPM2-bf16 — конвертированная для MLX версия многоязычной модели синтеза речи VoxCPM2 от OpenBMB. Модель содержит около 2 млрд параметров и выдаёт аудио с частотой дискретизации 48 кГц. Репозиторий использует веса BFloat16 и формат safetensors; запуск предусмотрен через библиотеку mlx-audio на Apple Silicon.

Модель преобразует текст в речь, клонирует голос по короткому аудиофрагменту и создаёт голос по текстовому описанию без эталонной записи. Поддерживает 30 языков, включая английский, китайский, индонезийский, японский и корейский, и четыре режима генерации: zero-shot, продолжение, клонирование по образцу и комбинированный режим. Лицензия — Apache 2.0.

Полная версия BFloat16 занимает около 4,96 ГБ; README сообщает о real-time factor 0,48 для этой конфигурации на Apple Silicon. Качество голоса зависит от входного текста и аудиообразца; для генерации и клонирования требуются совместимые инструменты mlx-audio. Модель ориентирована на синтез речи, поэтому её выход — аудио, а не текст.

Сценарии применения

  • озвучивание текста на нескольких языках
  • клонирование голоса по короткой записи
  • создание голоса по текстовому описанию
  • продолжение речи в голосе по аудиообразцу
  • генерация речи в формате 48 кГц

Ограничения

Полная версия BFloat16 занимает около 4,96 ГБ; указанная скорость на Apple Silicon составляет RTF 0,48, то есть медленнее реального времени. Для работы требуется окружение MLX с библиотекой mlx-audio.

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 - BFloat16 (full precision)

MLX port of openbmb/VoxCPM2 — a 2B-parameter multilingual TTS model with 48kHz studio-quality output, voice cloning, and voice design.

Full precision BFloat16 weights. Best quality, largest size.

Features

  • 30 languages — including English, Chinese, Indonesian, Japanese, Korean, and more
  • 48kHz output — studio-quality audio
  • Voice Design — create voices from text descriptions (no reference audio needed)
  • Voice Cloning — clone any voice from a short audio reference
  • 4 generation modes — zero-shot, continuation, reference cloning, combined

Usage

pip install mlx-audio

# Zero-shot
python -m mlx_audio.tts.generate --model mlx-community/VoxCPM2-bf16 --text "Hello world" --verbose

# Voice design
python -m mlx_audio.tts.generate --model mlx-community/VoxCPM2-bf16 \
  --text "Hello world" \
  --instruct "A young woman, gentle and sweet voice"

# Voice cloning
python -m mlx_audio.tts.generate --model mlx-community/VoxCPM2-bf16 \
  --text "Hello world" \
  --ref_audio speaker.wav --ref_text "reference text"

Python API

from mlx_audio.tts import load_model

model = load_model("mlx-community/VoxCPM2-bf16")

# Generate
for result in model.generate(
    text="Hello, this is VoxCPM2 on Apple Silicon.",
    inference_timesteps=7,
    cfg_value=2.0,
):
    print(f"Duration: {result.audio_duration}")

Performance (Apple Silicon)

VariantSizeRTF (7 timesteps)
bf164.96 GB0.48x
8-bit3.23 GB0.85x
4-bit2.30 GB0.90x

RTF = Real-Time Factor (>1.0 = faster than realtime)

Original Model

Converted with mlx-audio.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
a7fb80d

0 моделей