VoxCPM
Sistema de conversão de texto em fala sem tokenizador que gera áudio multilíngue de 48kHz, design de voz e clonagem de voz.
Gere fala de alta fidelidade de 48kHz em 30 idiomas com design de voz zero-shot e clonagem zero-shot.
O VoxCPM é um sistema de conversão de texto em fala open-source projetado para transformar texto escrito em áudio multilíngue natural. Você pode gerar vozes personalizadas a partir de comandos de texto ou clonar vozes existentes a partir de pequenos trechos de áudio. É ideal para equipes de engenharia que criam alertas de segurança de voz, sistemas automatizados de briefing de sites ou narração de treinamentos.
O que é
O VoxCPM gera representações de fala contínua diretamente por meio de uma arquitetura autoregressiva de difusão, sem tokenização discreta. Ele produz áudio com qualidade de estúdio de 48kHz em 30 idiomas, suporta a criação de vozes a partir de descrições em linguagem natural e executa a clonagem de voz com orientação por comandos.
Para quem
Você deve usar o VoxCPM se precisar de geração de voz offline e self-hosted para alertas em canteiros de obras, transmissões de segurança para trabalhadores ou vídeos de treinamento multilíngues. Ele não é adequado se você não tiver infraestrutura de GPU ou precisar de um aplicativo de desktop pronto para uso e não técnico.
Recursos principais
Geração de Áudio Sem Tokenizador
Gera fala contínua diretamente usando uma arquitetura autoregressiva de difusão ponta a ponta.
Design de Voz em Linguagem Natural
Cria vozes personalizadas com base exclusivamente em descrições de texto especificando idade, tom, emoção e ritmo.
Saída de Áudio de Alta Resolução
Emite áudio de estúdio nativo de 48kHz sem exigir amplificadores externos separados.
Mecanismo de Implantação Flexível
Executa em servidores vLLM-Omni compatíveis com OpenAI ou em mecanismos de edge C++ via llama.cpp-omni.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Emite áudio nativo de 48kHz diretamente de clipes de referência de 16kHz sem ferramentas extras de redimensionamento.
- Suporta 30 idiomas principais, além de vários sotaques regionais.
- Fornece opções de implantação em edge C++ com quantizações GGUF para hardware local.
- Oferece criação completa de voz a partir de simples comandos de texto sem arquivos de áudio de referência.
Onde deixa a desejar
- Requer hardware de GPU NVIDIA de ponta ou compilação C++ local especializada para alcançar baixa latência.
- Precisa do download manual de modelos em arquivos de pesos BaseLM e Acoustic de vários gigabytes.
- Demanda conhecimento técnico com CLI, APIs Python ou implantações vLLM em vez de oferecer uma GUI.
Preços & licença
O VoxCPM é gratuito para baixar e usar sob a licença Apache-2.0. Sua única despesa vem da hospedagem, execução de hardware e infraestrutura de servidores de GPU.
Vagas para quem fala português
876 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Posso executar o VoxCPM localmente sem conexão com a internet?
Sim, você pode carregar os pesos do modelo baixados em scripts Python locais ou executar offline via llama.cpp-omni em CPU ou GPU.
O VoxCPM exige arquivos de transcrição para clonar uma voz?
A clonagem controlável padrão requer apenas um clipe de áudio de referência, embora fornecer uma transcrição permita a correspondência completa de detalhes.
