# VoxCPM2（音声モデル）

> OpenBMBによるVoxCPM2は、30言語と中国語9方言を48 kHzで音声合成するテキスト読み上げモデルです。短いクリップからのボイスクローン、説明文からのボイス設計、感情と速度の指示に対応し、キャラクターの台詞やナレーションに使えます。audio.cppによりお使いのGPUでローカルに動作します。Apache-2.0、商用利用可。

- ID: `aigd.audio-voxcpm2`
- ソース: 公式 (ファーストパーティ `aigd.*`)
- カテゴリ: オーディオ
- パブリッシャー: AI Game Dev (`aigd`), 確認済み
- 最新バージョン: 1.0.2 (公開日 2026-11-22)
- ライセンス: Apache-2.0
- AI Game Dev アプリが必要です: `>=0.32.0-beta.6`
- ネイティブコード: いいえ
- 評価: まだ評価はありません
- HTML ページ: https://ai-game.dev/ja/packages/aigd.audio-voxcpm2

## インストール

gamedev CLI を使用する場合は、プロジェクトフォルダで:

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

デスクトップアプリで: パッケージウィンドウ（ステータスバーのパッケージアイコン）を開き、**参照** を選択して `aigd.audio-voxcpm2` を検索し、**プロジェクトに追加** をクリックします。詳細: https://ai-game.dev/docs/wiki/app/packages

## バージョン

| バージョン | 公開日 | アプリが必要 | 備考 |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 説明

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

VoxCPM2はOpenBMBによる2Bパラメータの音声モデルで、MiniCPM-4をベースにしています。30言語と中国語9方言を48 kHzで話し、1つのモデルで3つのことを行います。短いクリップから声をクローンし、テキストの説明から新しい声を設計し、指示で感情と速度を操作します。AI Game Devアプリでは、**ローカル音声生成**（`aigd.audiocpp`、audio.cppランタイム）を通じてお使いのGPUでローカルに動作するため、台詞1行あたりのコストはかかりません。多言語でキャラクターに声を当てるゲーム開発者に適しており、Apache-2.0の下で商用利用が可能です。

## 何が作れるか

- ローカライズされたゲーム向けの、30言語でのNPCの台詞とナレーション。
- 短い録音からクローンしたキャラクターの声（自分の声、または同意を得た俳優の声）。
- 言葉で描写する新しいキャラクターの声（「若い女性、優しく甘い声」）。
- ストーリーシーンのための感情表現（「興奮して、速く」）。クローンした声や設計した声と組み合わせることもできます。
- 長めの文章にも対応し、1リクエストあたり最大2,000文字です。

## リクエストの例

- 「`voice/hero.wav`とその書き起こしを使って、`dialogue/act1.txt`で主人公の台詞を読んで」
- 「年老いた賢い魔法使いの声を作り、その魔法使いに預言を英語とスペイン語で話させて」
- 「ショップの挨拶をタイ語、ベトナム語、インドネシア語で、明るく速く読んで」
- 「`dialogue/intro.txt`を落ち着いた低い声でナレーションして」

## ハイライト

| 仕様 | 値 |
|---|---|
| 言語 | 30言語と中国語9方言（以下に一覧） |
| 出力 | 48 kHzモノラルWAV、プロジェクトに保存 |
| 1リクエストあたりのテキスト | 最大2,000文字 |
| 声 | クリップ（2–30 s）からクローン、説明から設計、またはモデルが選択 |
| ステップ | デフォルトで10フローステップ、最大50 |
| ガイダンス | デフォルトで2 |

- **30言語**: アラビア語、ビルマ語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、インドネシア語、イタリア語、日本語、クメール語、韓国語、ラオ語、マレー語、ノルウェー語、ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、タガログ語、タイ語、トルコ語、ベトナム語 — さらに中国語9方言。テキストの言語は自動的に検出されます。言語設定は情報表示のみです。
- **ボイスクローン**: 短いクリップ（2–30 s、*クローンする声*）から。クリップの正確な書き起こしがあると、アプリはVoxCPM2の「アルティメットクローン」（`ultimate_clone`）を有効にし、最も近い類似度が得られます。
- **ボイス設計**: 声を説明します（「若い女性、優しく甘い声」）。
- **感情と速度**: 指示（「興奮して、速く」）。ボイス設計またはクローンのどちらと併用しても、両方が適用されます。audio.cppはVoxCPM2が期待する方法、つまりテキストの前に括弧書きでこれらを渡します。
- クリップも説明もない場合、モデルが声を選びます。audio.cpp自体のデフォルトシードは固定（1234）です。Asset StudioはGenerateのたびに新しいシードを送信し、エージェントがシードを設定することもできます。

すぐに使える9種類の内蔵ボイスについては、[Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice)をご覧ください。

このパッケージはデータのみです。モデルファイルを指定します。アプリは確認後にダウンロードし、sha256で検証して、お使いのコンピュータでaudio.cppにより実行します。

## ダウンロード

2.96 GB、1ファイル、Hugging Faceのコミットに固定:

| ファイル | 取得元 | サイズ |
|---|---|---:|
| `voxcpm2-q8_0.gguf`（言語モデル、拡散デコーダ、AudioVAEを1ファイルに収録） | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## 動作するコンピュータ

| コンピュータ | 必要なもの | 速度 |
|---|---|---|
| NVIDIA GPU（CUDA）またはその他のGPU（Vulkan） | 約8 GBのGPUメモリ（OpenBMBの数値） | 未計測 |
| Appleシリコン搭載Mac（Metal） | 約16 GBのメモリ（推定） | 未計測 |

OpenBMBの~8 GBは元の重みに対する値です。このq8_0ファイルはより小さく、この数値はリリース前に実機のGPUで確認されます。

## ライセンス

Apache-2.0。モデルおよび生成された音声の商用利用が可能です。

- VoxCPM2 © OpenBMB — [モデルカード](https://huggingface.co/openbmb/VoxCPM2)（`license: apache-2.0`、「商用利用無料」）、[ライセンス本文](https://www.apache.org/licenses/LICENSE-2.0)。
- GGUFパッケージング: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — リポジトリのカードでは`VoxCPM2-GGUF`がApache-2.0と記載されており、元のモデルライセンスに従います。

重みを再配布する際に必要な表示: VoxCPM2のApache-2.0ライセンス本文とその通知を保持してください。生成した音声には表示義務はありません。

制限について率直に言えば、ライセンス自体には通知要件以外の制限はありません。地域制限も、収益上限も、ウォーターマークもありません。モデルカードは追加の利用ルールを定めています。なりすまし、詐欺、偽情報は**固く禁じられて**おり、AI生成音声には明確なラベルを付けるべきです。クローンするのは、使用する権利のある声（自分の声、または話者の同意を得た声）だけにしてください。

すべてのファイルはHugging Faceからダウンロードされます。AI Game Devはそれらをホストしていません。
````
