# VoxCPM2 (modelo de voz)

> VoxCPM2 de OpenBMB: conversión de texto a voz en 30 idiomas y 9 dialectos chinos a 48 kHz, con clonación de voz a partir de un clip corto, diseño de voz a partir de una descripción e instrucciones de emoción y ritmo, para diálogos de personajes y narración. Se ejecuta localmente en tu GPU con audio.cpp. Apache-2.0, uso comercial permitido.

- Id: `aigd.audio-voxcpm2`
- Origen: Oficial (propio `aigd.*`)
- Categoría: Audio
- Editor: AI Game Dev (`aigd`), verificado
- Última versión: 1.0.2 (publicado el 2026-11-22)
- Licencia: Apache-2.0
- Requiere la app AI Game Dev: `>=0.32.0-beta.6`
- Código nativo: no
- Valoración: aún sin valoraciones
- Página HTML: https://ai-game.dev/es/packages/aigd.audio-voxcpm2

## Instalar

Con la CLI gamedev, en la carpeta del proyecto:

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

En la app de escritorio: abre la ventana Packages (el icono de paquete en la barra de estado), selecciona **Browse**, busca `aigd.audio-voxcpm2` y haz clic en **Add to Project**. Más: https://ai-game.dev/docs/wiki/app/packages

## Versiones

| Versión | Publicado | Requiere app | Notas |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | la más reciente |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Descripción

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

VoxCPM2 es un modelo de voz de 2B parámetros de OpenBMB, basado en MiniCPM-4. Habla 30 idiomas y 9 dialectos chinos a 48 kHz, y hace tres cosas en un solo modelo: clona una voz a partir de un clip corto, diseña una voz nueva a partir de una descripción de texto y dirige la emoción y el ritmo con una instrucción. En la app AI Game Dev se ejecuta localmente en tu GPU mediante **Generación de audio local** (`aigd.audiocpp`, el runtime audio.cpp), así que cada línea de diálogo no cuesta nada. Encaja con desarrolladores de juegos que ponen voz a personajes en muchos idiomas, bajo Apache-2.0, que permite el uso comercial.

## Qué puedes crear

- Diálogos de NPC y narración en 30 idiomas, para un juego localizado.
- Una voz de personaje clonada a partir de una grabación corta (la tuya, o la de un actor con su consentimiento).
- Voces nuevas de personaje descritas con palabras («Una mujer joven, voz suave y dulce»).
- Expresividad emocional para escenas de la historia («Emocionada, rápido»), también combinada con una voz clonada o diseñada.
- Pasajes más largos: hasta 2,000 caracteres por petición.

## Ejemplos de peticiones

- «Usando `voice/hero.wav` y su transcripción, lee las líneas del héroe en `dialogue/act1.txt`.»
- «Crea una voz de mago anciano y sabio y haz que diga la profecía en inglés y en español.»
- «Lee el saludo de la tienda en tailandés, vietnamita e indonesio, alegre y rápido.»
- «Narra `dialogue/intro.txt` con una voz tranquila y grave.»

## Aspectos destacados

| Especificación | Valor |
|---|---|
| Idiomas | 30 idiomas y 9 dialectos chinos (lista más abajo) |
| Salida | WAV mono a 48 kHz, guardado en tu proyecto |
| Texto por petición | hasta 2,000 caracteres |
| Voz | clonada a partir de un clip (2–30 s), diseñada a partir de una descripción o elegida por el modelo |
| Pasos | 10 pasos de flujo por defecto, hasta 50 |
| Guía | 2 por defecto |

- **30 idiomas**: árabe, birmano, chino, danés, neerlandés, inglés, finlandés, francés, alemán, griego, hebreo, hindi, indonesio, italiano, japonés, jemer, coreano, lao, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco, tagalo, tailandés, turco, vietnamita — y 9 dialectos chinos. Detecta por sí mismo el idioma del texto; el ajuste de idioma es informativo.
- **Clonación de voz** a partir de un clip corto (2–30 s, *Voz a clonar*). Con la transcripción exacta del clip, la app activa la «clonación definitiva» de VoxCPM2 (`ultimate_clone`), que da el mayor parecido.
- **Diseño de voz**: describe la voz («Una mujer joven, voz suave y dulce»).
- **Emoción y ritmo**: una instrucción («Emocionada, rápido»). Con el diseño de voz o la clonación se aplican ambos. audio.cpp las pasa tal como VoxCPM2 espera: entre paréntesis delante del texto.
- Sin un clip ni una descripción, el modelo elige una voz. La semilla por defecto de audio.cpp es fija (1234); el Asset Studio envía una semilla nueva en cada Generate, y el agente puede establecer una.

Si prefieres nueve voces integradas ya listas, consulta [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice).

Este paquete solo contiene datos. Indica el nombre del archivo del modelo. La app lo descarga después de que confirmes, lo verifica por sha256 y lo ejecuta con audio.cpp en tu equipo.

## Descarga

2.96 GB, un solo archivo, fijado a un commit de Hugging Face:

| Archivo | Origen | Tamaño |
|---|---|---:|
| `voxcpm2-q8_0.gguf` (modelo de lenguaje, decodificador de difusión y AudioVAE en un solo archivo) | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## Qué equipos

| Equipo | Requisitos | Velocidad |
|---|---|---|
| GPU NVIDIA (CUDA) u otra GPU (Vulkan) | unos 8 GB de memoria de GPU (cifra de OpenBMB) | aún sin medir |
| Mac con Apple silicon (Metal) | unos 16 GB de memoria (estimación) | aún sin medir |

Los ~8 GB de OpenBMB son para los pesos originales; este archivo q8_0 es más pequeño, y la cifra se comprueba en una GPU real antes del lanzamiento.

## Licencia

Apache-2.0. Se permite el uso comercial del modelo y del habla que genera.

- VoxCPM2 © OpenBMB — [ficha del modelo](https://huggingface.co/openbmb/VoxCPM2) (`license: apache-2.0`, «libre para uso comercial»), [texto de la licencia](https://www.apache.org/licenses/LICENSE-2.0).
- Empaquetado GGUF: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — la ficha del repositorio indica `VoxCPM2-GGUF` como Apache-2.0, regido por la licencia del modelo original.

Atribución obligatoria cuando redistribuyas los pesos: conserva el texto de la licencia Apache-2.0 y sus avisos para VoxCPM2. No se exige atribución por el habla que generes.

Restricciones, en claro: la licencia en sí no tiene ninguna más allá de los requisitos de aviso: sin límite territorial, sin tope de ingresos, sin marca de agua. La ficha del modelo añade una regla de uso: la suplantación de identidad, el fraude y la desinformación están **terminantemente prohibidos**, y el habla generada por IA debe etiquetarse claramente. Clona solo una voz que tengas derecho a usar (la tuya o con el consentimiento de la persona que habla).

Todos los archivos se descargan de Hugging Face. AI Game Dev no los aloja.
````
