VoxCPM
Sistema de texto a voz sin tokenizador que genera audio multilingüe de 48kHz, diseño de voz y clonación de voz.
Genera voz de alta fidelidad de 48kHz en 30 idiomas con diseño de voz zero-shot y clonación zero-shot.
VoxCPM es un sistema de texto a voz open-source diseñado para convertir texto escrito en audio multilingüe natural. Puedes generar voces personalizadas a partir de indicaciones de texto o clonar voces existentes a partir de muestras de audio cortas. Es ideal para equipos de ingeniería que construyen alertas de seguridad de voz, sistemas automatizados de informes de sitios o narración de entrenamiento.
Qué es
VoxCPM genera representaciones de voz continuas directamente mediante una arquitectura autorregresiva de difusión sin tokenización discreta. Produce audio con calidad de estudio de 48kHz en 30 idiomas, admite la creación de voz a partir de descripciones en lenguaje natural y ejecuta la clonación de voz con guía de indicaciones.
Para quién
Debes usar VoxCPM si necesitas generación de voz autohospedada y offline para alertas de campo en la construcción, transmisiones de seguridad para trabajadores o videos de entrenamiento multilingüe. No es adecuado si careces de infraestructura de GPU o necesitas una aplicación de escritorio no técnica lista para usar.
Funciones clave
Generación de audio sin tokenizador
Genera voz continua directamente utilizando una arquitectura autorregresiva de difusión de extremo a extremo.
Diseño de voz en lenguaje natural
Crea voces personalizadas basándose únicamente en descripciones de texto que especifican edad, tono, emoción y ritmo.
Salida de audio de alta resolución
Produce audio de estudio nativo de 48kHz sin requerir muestreadores superiores externos separados.
Motor de despliegue flexible
Funciona en servidores vLLM-Omni compatibles con OpenAI o en motores edge de C++ a través de llama.cpp-omni.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Produce audio nativo de 48kHz directamente desde clips de referencia de 16kHz sin herramientas adicionales de sobremuestreo.
- Compatible con 30 idiomas principales junto con múltiples dialectos regionales.
- Proporciona opciones de despliegue en el edge de C++ con cuantizaciones GGUF para hardware local.
- Ofrece creación completa de voz a partir de simples indicaciones de texto sin archivos de audio de referencia.
Sus límites
- Requiere hardware de GPU NVIDIA de gama alta o compilación local especializada en C++ para lograr baja latencia.
- Necesita descarga manual de modelos en archivos de pesos BaseLM y Acoustic de varios gigabytes.
- Exige experiencia técnica con CLI, APIs de Python o despliegues de vLLM en lugar de ofrecer una GUI.
Precios y licencia
VoxCPM se puede descargar y usar gratis bajo la licencia Apache-2.0. Tu único gasto proviene del alojamiento, la ejecución en hardware y la infraestructura de servidores GPU.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Puedo ejecutar VoxCPM localmente sin conexión a internet?
Sí, puedes cargar los pesos del modelo descargados en scripts de Python locales o ejecutarlo offline mediante llama.cpp-omni en CPU o GPU.
¿Requiere VoxCPM archivos de transcripción para clonar una voz?
La clonación controlable estándar requiere solo un clip de audio de referencia, aunque proporcionar una transcripción permite una coincidencia completa de detalles.
