# VoxCPM2 (Sprachmodell)

> VoxCPM2 von OpenBMB: Text-to-Speech in 30 Sprachen und 9 chinesischen Dialekten bei 48 kHz, mit Stimmklon aus einem kurzen Clip, Stimmdesign aus einer Beschreibung sowie Emotions- und Tempoangaben – für Charakterdialoge und Erzählung. Läuft lokal auf deiner GPU mit audio.cpp. Apache-2.0, kommerzielle Nutzung erlaubt.

- Id: `aigd.audio-voxcpm2`
- Quelle: Offiziell (First-Party `aigd.*`)
- Kategorie: Audio
- Herausgeber: AI Game Dev (`aigd`), verifiziert
- Neueste Version: 1.0.2 (veröffentlicht am 2026-11-22)
- Lizenz: Apache-2.0
- Erfordert die AI Game Dev App: `>=0.32.0-beta.6`
- Nativer Code: nein
- Bewertung: noch nicht bewertet
- HTML-Seite: https://ai-game.dev/de/packages/aigd.audio-voxcpm2

## Installieren

Mit der gamedev CLI im Projektordner:

```bash
gamedev pkg add aigd.audio-voxcpm2
```

In der Desktop-App: Öffne das Fenster Packages (das Paket-Symbol in der Statusleiste), wähle **Browse**, suche nach `aigd.audio-voxcpm2` und klicke auf **Add to Project**. Mehr: https://ai-game.dev/docs/wiki/app/packages

## Versionen

| Version | Veröffentlicht | Erfordert App | Hinweise |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | neueste |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Beschreibung

````markdown
# VoxCPM2 (`aigd.audio-voxcpm2`)

VoxCPM2 ist ein Sprachmodell mit 2B Parametern von OpenBMB, basierend auf MiniCPM-4. Es spricht 30 Sprachen und 9 chinesische Dialekte bei 48 kHz und vereint drei Dinge in einem Modell: Es klont eine Stimme aus einem kurzen Clip, entwirft eine neue Stimme aus einer Textbeschreibung und steuert Emotion und Tempo per Anweisung. In der AI Game Dev App läuft es lokal auf deiner GPU über **Lokale Audiogenerierung** (`aigd.audiocpp`, die audio.cpp-Laufzeit), sodass jede Dialogzeile nichts kostet. Es eignet sich für Game-Entwickler, die Charaktere in vielen Sprachen vertonen, unter Apache-2.0, was kommerzielle Nutzung erlaubt.

## Was du erstellen kannst

- NPC-Dialoge und Erzählung in 30 Sprachen, für ein lokalisiertes Spiel.
- Eine Charakterstimme, geklont aus einer kurzen Aufnahme (deiner eigenen oder der eines Sprechers mit Einwilligung).
- Neue Charakterstimmen, in Worten beschrieben („Eine junge Frau, sanfte und liebliche Stimme“).
- Emotionale Vortragsweise für Story-Szenen („Aufgeregt, schnell“), auch kombiniert mit einer geklonten oder entworfenen Stimme.
- Längere Passagen: bis zu 2.000 Zeichen pro Anfrage.

## Beispielanfragen

- „Nutze `voice/hero.wav` und dessen Transkript und lies die Zeilen des Helden in `dialogue/act1.txt` vor.“
- „Erstelle eine alte, weise Zaubererstimme und lass ihn die Prophezeiung auf Englisch und Spanisch sprechen.“
- „Lies die Ladengrüßung auf Thailändisch, Vietnamesisch und Indonesisch vor, fröhlich und schnell.“
- „Erzähle `dialogue/intro.txt` mit einer ruhigen, tiefen Stimme.“

## Highlights

| Spezifikation | Wert |
|---|---|
| Sprachen | 30 und 9 chinesische Dialekte (Liste unten) |
| Ausgabe | 48 kHz Mono-WAV, in deinem Projekt gespeichert |
| Text pro Anfrage | bis zu 2.000 Zeichen |
| Stimme | aus einem Clip geklont (2–30 s), aus einer Beschreibung entworfen oder vom Modell gewählt |
| Schritte | standardmäßig 10 Flow-Schritte, bis zu 50 |
| Guidance | standardmäßig 2 |

- **30 Sprachen**: Arabisch, Birmanisch, Chinesisch, Dänisch, Niederländisch, Englisch, Finnisch, Französisch, Deutsch, Griechisch, Hebräisch, Hindi, Indonesisch, Italienisch, Japanisch, Khmer, Koreanisch, Laotisch, Malaiisch, Norwegisch, Polnisch, Portugiesisch, Russisch, Spanisch, Suaheli, Schwedisch, Tagalog, Thailändisch, Türkisch, Vietnamesisch — und 9 chinesische Dialekte. Es erkennt die Sprache des Textes selbst; die Spracheinstellung ist nur informativ.
- **Stimmklon** aus einem kurzen Clip (2–30 s, *Stimme zum Klonen*). Mit dem exakten Transkript des Clips schaltet die App VoxCPM2s „ultimate cloning“ ein (`ultimate_clone`), was die größte Ähnlichkeit liefert.
- **Stimmdesign**: beschreibe die Stimme („Eine junge Frau, sanfte und liebliche Stimme“).
- **Emotion und Tempo**: eine Anweisung („Aufgeregt, schnell“). Bei Stimmdesign oder Klonen gelten beide. audio.cpp übergibt sie so, wie VoxCPM2 es erwartet: in Klammern vor dem Text.
- Ohne Clip oder Beschreibung wählt das Modell eine Stimme. Der eigene Standard-Seed von audio.cpp ist fest (1234); der Asset Studio sendet bei jedem Generate einen neuen Seed, und der Agent kann einen setzen.

Für stattdessen neun fertige integrierte Stimmen siehe [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice).

Dieses Paket enthält nur Daten. Es benennt die Modelldatei. Die App lädt sie nach deiner Bestätigung herunter, prüft sie per sha256 und führt sie mit audio.cpp auf deinem Computer aus.

## Download

2,96 GB, eine Datei, an einen Hugging Face Commit gepinnt:

| Datei | Von | Größe |
|---|---|---:|
| `voxcpm2-q8_0.gguf` (Sprachmodell, Diffusions-Decoder und AudioVAE in einer Datei) | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## Welche Rechner

| Rechner | Benötigt | Geschwindigkeit |
|---|---|---|
| NVIDIA GPU (CUDA) oder eine andere GPU (Vulkan) | etwa 8 GB GPU-Speicher (Angabe von OpenBMB) | noch nicht gemessen |
| Mac mit Apple Silicon (Metal) | etwa 16 GB Arbeitsspeicher (Schätzung) | noch nicht gemessen |

OpenBMBs ~8 GB gelten für die Originalgewichte; diese q8_0-Datei ist kleiner, und der Wert wird vor dem Release auf einer echten GPU geprüft.

## Lizenz

Apache-2.0. Die kommerzielle Nutzung des Modells und der damit erzeugten Sprache ist erlaubt.

- VoxCPM2 © OpenBMB — [Model Card](https://huggingface.co/openbmb/VoxCPM2) (`license: apache-2.0`, „frei für kommerzielle Nutzung“), [Lizenztext](https://www.apache.org/licenses/LICENSE-2.0).
- GGUF-Paketierung: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — die Karte des Repositorys führt `VoxCPM2-GGUF` als Apache-2.0 auf, es unterliegt der Lizenz des Originalmodells.

Erforderliche Namensnennung, wenn du die Gewichte weiterverbreitest: Behalte den Apache-2.0-Lizenztext und die zugehörigen Hinweise für VoxCPM2 bei. Für die von dir erzeugte Sprache ist keine Namensnennung erforderlich.

Einschränkungen, klar gesagt: Die Lizenz selbst hat keine über die Hinweispflichten hinausgehenden Einschränkungen — kein Gebietslimit, keine Umsatzobergrenze, kein Wasserzeichen. Die Model Card ergänzt eine Nutzungsregel: Identitätsmissbrauch, Betrug und Desinformation sind **strikt verboten**, und KI-generierte Sprache sollte klar gekennzeichnet werden. Klone nur eine Stimme, für deren Nutzung du das Recht hast (deine eigene oder mit Einwilligung der sprechenden Person).

Alle Dateien werden von Hugging Face heruntergeladen. AI Game Dev hostet sie nicht.
````
