# VoxCPM2 (modelo de fala)

> VoxCPM2 da OpenBMB: conversão de texto em fala em 30 idiomas e 9 dialetos chineses a 48 kHz, com clonagem de voz a partir de um clipe curto, criação de voz a partir de uma descrição e instruções de emoção e ritmo, para diálogos de personagens e narração. Roda localmente na sua GPU com audio.cpp. Apache-2.0, uso comercial permitido.

- Id: `aigd.audio-voxcpm2`
- Origem: Oficial (de primeira parte `aigd.*`)
- Categoria: Áudio
- Publicador: AI Game Dev (`aigd`), verificado
- Versão mais recente: 1.0.2 (publicado em 2026-11-22)
- Licença: Apache-2.0
- Requer o app AI Game Dev: `>=0.32.0-beta.6`
- Código nativo: não
- Avaliação: ainda sem avaliações
- Página HTML: https://ai-game.dev/pt-br/packages/aigd.audio-voxcpm2

## Instalar

Com o CLI gamedev, na pasta do projeto:

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

No app desktop: abra a janela Packages (o ícone de pacote na barra de status), selecione **Browse**, busque `aigd.audio-voxcpm2` e clique em **Add to Project**. Mais: https://ai-game.dev/docs/wiki/app/packages

## Versões

| Versão | Publicado | Requer o app | Observações |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | mais recente |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Descrição

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

O VoxCPM2 é um modelo de fala de 2 bilhões de parâmetros da OpenBMB, baseado no MiniCPM-4. Ele fala 30 idiomas e 9 dialetos chineses a 48 kHz e faz três coisas em um único modelo: clona uma voz a partir de um clipe curto, cria uma nova voz a partir de uma descrição em texto e controla emoção e ritmo com uma instrução. No app AI Game Dev ele roda localmente na sua GPU por meio de **Geração de áudio local** (`aigd.audiocpp`, o runtime audio.cpp), então cada linha de diálogo não custa nada. Ele é indicado para desenvolvedores de jogos que dão voz a personagens em muitos idiomas, sob Apache-2.0, que permite uso comercial.

## O que você pode criar

- Diálogos de NPCs e narração em 30 idiomas, para um jogo localizado.
- Uma voz de personagem clonada a partir de uma gravação curta (a sua própria ou a de um ator, com consentimento).
- Novas vozes de personagem descritas em palavras ("Uma jovem, voz suave e gentil").
- Interpretação emocional para cenas de história ("Empolgado, rápido"), também combinada com uma voz clonada ou criada.
- Trechos mais longos: até 2.000 caracteres por requisição.

## Exemplos de pedidos

- "Usando `voice/hero.wav` e sua transcrição, leia as falas do herói em `dialogue/act1.txt`."
- "Crie uma voz de mago velho e sábio e faça ele dizer a profecia em inglês e espanhol."
- "Leia a saudação da loja em tailandês, vietnamita e indonésio, alegre e rápido."
- "Narre `dialogue/intro.txt` com uma voz calma e grave."

## Destaques

| Especificação | Valor |
|---|---|
| Idiomas | 30 e 9 dialetos chineses (lista abaixo) |
| Saída | WAV mono de 48 kHz, salvo no seu projeto |
| Texto por requisição | até 2.000 caracteres |
| Voz | clonada de um clipe (2–30 s), criada a partir de uma descrição ou escolhida pelo modelo |
| Etapas | 10 etapas de flow por padrão, até 50 |
| Orientação | 2 por padrão |

- **30 idiomas**: árabe, birmanês, chinês, dinamarquês, holandês, inglês, finlandês, francês, alemão, grego, hebraico, híndi, indonésio, italiano, japonês, khmer, coreano, lao, malaio, norueguês, polonês, português, russo, espanhol, suaíli, sueco, tagalo, tailandês, turco, vietnamita — e 9 dialetos chineses. Ele detecta o idioma do próprio texto; a configuração de idioma é apenas informativa.
- **Clonagem de voz** a partir de um clipe curto (2–30 s, *Voice to clone*). Com a transcrição exata do clipe, o app ativa a "clonagem definitiva" do VoxCPM2 (`ultimate_clone`), que dá a maior semelhança.
- **Criação de voz**: descreva a voz ("Uma jovem, voz suave e gentil").
- **Emoção e ritmo**: uma instrução ("Empolgado, rápido"). Com criação de voz ou clonagem, as duas se aplicam. O audio.cpp as passa do jeito que o VoxCPM2 espera: entre parênteses na frente do texto.
- Sem um clipe ou uma descrição, o modelo escolhe uma voz. A seed padrão do próprio audio.cpp é fixa (1234); o Asset Studio envia uma nova seed a cada clique em Generate, e o agente pode definir uma.

Para nove vozes embutidas prontas, veja [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice).

Este pacote é apenas dados. Ele nomeia o arquivo do modelo. O app baixa o arquivo depois que você confirma, verifica por sha256 e o executa com audio.cpp no seu computador.

## Download

2,96 GB, um arquivo, fixado em um commit do Hugging Face:

| Arquivo | De | Tamanho |
|---|---|---:|
| `voxcpm2-q8_0.gguf` (modelo de linguagem, decodificador de difusão e AudioVAE em um único arquivo) | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/VoxCPM2-GGUF) @ `b7b9aa1f` | 2.96 GB |

## Quais computadores

| Computador | Requisitos | Velocidade |
|---|---|---|
| GPU NVIDIA (CUDA) ou outra GPU (Vulkan) | cerca de 8 GB de memória de GPU (número da OpenBMB) | ainda não medido |
| Mac com Apple silicon (Metal) | cerca de 16 GB de memória (estimativa) | ainda não medido |

Os ~8 GB da OpenBMB são para os pesos originais; este arquivo q8_0 é menor, e o número é verificado em uma GPU real antes do lançamento.

## Licença

Apache-2.0. O uso comercial do modelo e da fala que ele gera é permitido.

- VoxCPM2 © OpenBMB — [cartão do modelo](https://huggingface.co/openbmb/VoxCPM2) (`license: apache-2.0`, "livre para uso comercial"), [texto da licença](https://www.apache.org/licenses/LICENSE-2.0).
- Empacotamento GGUF: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — o cartão do repositório lista `VoxCPM2-GGUF` como Apache-2.0, regido pela licença do modelo original.

Atribuição obrigatória quando você redistribui os pesos: mantenha o texto da licença Apache-2.0 e seus avisos para o VoxCPM2. Nenhuma atribuição é exigida para a fala que você gera.

Restrições, sem rodeios: a própria licença não tem nenhuma além dos requisitos de aviso — sem limite territorial, sem teto de receita, sem marca d'água. O cartão do modelo acrescenta uma regra de uso: impersonação, fraude e desinformação são **estritamente proibidas**, e a fala gerada por IA deve ser claramente rotulada. Clone apenas uma voz que você tem o direito de usar (a sua própria ou com o consentimento do falante).

Todos os arquivos são baixados do Hugging Face. O AI Game Dev não os hospeda.
````
