O VoxCPM2, modelo aberto de voz da OpenBMB, voltou ao destaque do radar open-source em 24 de outubro de 2026. Não se trata de um lançamento de hoje: o próprio repositório oficial registra o VoxCPM2 como novidade de abril de 2026. O que mudou agora foi a visibilidade — o modelo reapareceu entre os destaques diários do GitHub, em um levantamento publicado em 24 de outubro — e isso justifica revisitá-lo, porque o Geekiki ainda não tinha coberto o projeto.
O que é o VoxCPM2
Segundo o repositório oficial da OpenBMB, o VoxCPM2 é um sistema de text-to-speech sem tokenizador: em vez de converter a fala em unidades discretas antes de gerar o áudio, ele gera representações contínuas de fala por meio de uma arquitetura autoregressiva de difusão. Na prática, a proposta é preservar nuances como ritmo, respiração e mudanças de emoção no meio da frase.
O modelo tem 2 bilhões de parâmetros, foi treinado com mais de 2 milhões de horas de fala multilíngue e usa como base o MiniCPM-4. Ele aceita texto em 30 idiomas sem exigir uma etiqueta de idioma, incluindo português, inglês, espanhol, francês, alemão, japonês, coreano, hindi e árabe, além de nove dialetos chineses. A saída é de 48 kHz, reconstruída a partir de uma referência de 16 kHz pelo AudioVAE V2, sem um upsampler externo.
O que ele faz
O VoxCPM2 reúne três fluxos em um único modelo. O primeiro é a síntese direta: texto entra, fala sai, com prosódia inferida a partir do conteúdo. O segundo é o Voice Design, que cria uma voz nova a partir de uma descrição em linguagem natural — idade, gênero, tom, emoção e ritmo — sem nenhum áudio de referência. O terceiro é a clonagem de voz: a partir de um clipe curto de referência, o modelo reproduz o timbre, com controle opcional de estilo; no modo chamado Ultimate Cloning, referência e transcrição juntas buscam preservar ainda mais detalhes da performance original.
Para desenvolvedores, o projeto informa fator de tempo real em torno de 0,3 em uma NVIDIA RTX 4090 na implementação padrão, e cerca de 0,13 com aceleração por Nano-vLLM ou vLLM-Omni. O ajuste fino por LoRA é apresentado como viável a partir de poucos minutos de áudio, segundo o levantamento de 24 de outubro — um dado de segunda fonte, não uma medição independente do Geekiki.
Para quem isso importa
Para games, o interesse é direto: vozes de NPCs, narração e dublagem localizada podem ser prototipadas sem estúdio, e o português está entre os idiomas suportados. Para criadores e estúdios pequenos, o apelo é o custo e o controle: pesos e código sob licença Apache 2.0, com uso comercial permitido, e a possibilidade de rodar localmente em vez de enviar todo texto a um serviço de terceiros. Para acessibilidade e educação, a síntese multilíngue abre caminho para narração e leitura em voz alta em mais idiomas.
Limites e consentimento
Nem tudo é automático. O próprio levantamento que recolocou o modelo em evidência alerta que a saída do Voice Design varia entre execuções, então vale gerar mais de uma versão antes de escolher. E há um limite ético que não é opcional: clone apenas vozes que você possui ou para as quais tem permissão explícita. A clonagem realista sem consentimento é justamente o tipo de uso que sindicatos de atores e dubladores vêm contestando — tema que o Geekiki já cobriu em outubro, com as diretrizes japonesas contra clones não autorizados. A tecnologia facilita a voz; a responsabilidade sobre quem ela imita continua sendo de quem usa.
Como testar
O projeto está no GitHub da OpenBMB, com pesos no Hugging Face, demonstração pública e relatório técnico. A instalação básica usa o pacote voxcpm em Python, e a documentação oficial detalha os modos de síntese, clonagem e design de voz. Antes de colocar em produção, vale testar pronúncia, ritmo e consistência da voz nos idiomas do seu projeto — os números de benchmark são do próprio laboratório, não de avaliação independente.
Fontes
Fontes: repositório oficial OpenBMB/VoxCPM no GitHub; levantamento Open Source Radar de 24 de outubro de 2026; relatório técnico VoxCPM2; página do modelo no Hugging Face. Links: OpenBMB/VoxCPM no GitHub, Open Source Radar — 24 de outubro, relatório técnico VoxCPM2 e VoxCPM2 no Hugging Face.
Crédito da imagem: logotipo do VoxCPM, divulgado no repositório oficial OpenBMB/VoxCPM no GitHub.
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, com cruzamento de publicações públicas e fontes da internet. Confira sempre as fontes originais antes de usar o modelo em um projeto.
Muse
