「VoxCPM2-GGUF」30言語対応の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ggml-org/VoxCPM2-GGUF |
| 公開元のまとめ | OpenBMB のモデルとライセンスのまとめ |
| 公開日 | 2026-11-22 |
| ライセンス | apache-2.0 |
| 配布形式 | GGUF |
| 出典の種類 | 公開元の一次情報(ggml-org公式HFリポジトリで裏付け確認) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ggml-orgは、OpenBMBが開発したテキスト音声合成(TTS)モデル「VoxCPM2」のGGUFフォーマット版となる「ggml-org/VoxCPM2-GGUF」を公開しました。
本モデルは、テキスト入力を受け取って自然な音声を出力するテキスト音声合成(text-to-speech)モデルです。元モデルである「openbmb/VoxCPM2」を、llama.cppなどのGGUF対応環境やコマンドラインツール経由で手軽に動かせるように変換したモデルとなっています。
スペック
資料に記載されている「VoxCPM2」および本GGUF版の主な仕様は以下の通りです。
- パラメータ数: 2B(バックボーンはMiniCPM-4ベース、全体で2Bパラメータ)
- アーキテクチャ: Tokenizer-free Diffusion Autoregressive(LocEnc → TSLM → RALM → LocDiT)
- Audio VAE: AudioVAE V2(非対称エンコード・デコード、16kHz入力 → 48kHz出力)
- 出力の仕様: 48kHz(スタジオ品質オーディオ出力)
- 対応言語: 30言語(日本語、英語、中国語、アラビア語、ビルマ語、デンマーク語、オランダ語、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、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)および中国語の9つの方言(四川話、粤語、呉語、東北話、河南話、陝西話、山東話、天津話、閩南話)
- 学習データ量: 2M+ hours(200万時間以上の多言語音声データ)
- LM Token Rate: 6.25 Hz
- 最大シーケンス長: 8192 トークン
- ライセンスの条件: Apache-2.0(商用利用が認められています)
性能・品質
ベースモデルである「openbmb/VoxCPM2」のモデルカードには、モデル構造やパフォーマンスに関する以下の詳細表が掲載されています。
| Property | Value |
|---|---|
| Architecture | Tokenizer-free Diffusion Autoregressive (LocEnc → TSLM → RALM → LocDiT) |
| Backbone | Based on MiniCPM-4, totally 2B parameters |
| Audio VAE | AudioVAE V2 (asymmetric encode/decode, 16kHz in → 48kHz out) |
| Training Data | 2M+ hours multilingual speech |
| LM Token Rate | 6.25 Hz |
| Max Sequence Length | 8192 tokens |
| dtype | bfloat16 |
| VRAM | ~8 GB |
| RTF (RTX 4090) | ~0.30 (standard) / ~0.13 (Nano-vLLM) |
上記の数値が示す通り、NVIDIA RTX 4090を使用した推論ではリアルタイムファクター(RTF)が標準で約0.30、Nano-vLLM適用時には約0.13と高速であり、ストリーミング生成にも適した処理性能を備えています。一方で、学習データ量の違いから言語によってパフォーマンスに差が生じる点や、非常に長いテキストや高表現力な入力に対して安定性を欠く場合がある点、音声デザインやスタイル制御の出力に生成ごとのバラつきが生じやすいといった制限についても公式に言及されています。なお、これらの性能評価や制約はベースモデル「openbmb/VoxCPM2」の公表情報であり、今回の「ggml-org/VoxCPM2-GGUF」は自動変換ツール(ggml-org/convert)により生成されたGGUFモデルとなります。
得意なこと・想定用途
ベースモデルである「openbmb/VoxCPM2」は、多言語における柔軟かつ高品質な音声合成や音声クローニングを得意としています。主な用途と機能の特長は以下の通りです。
- 多言語音声の直接合成: 日本語、英語、中国語、韓国語、フランス語、ドイツ語、スペイン語など30言語、および9つの中国語方言に対応しています。言語タグを個別に指定することなく、入力テキストから自動的に適切なプロソディ(抑揚)や表現力を推測して音声を出力します。
- テキスト記述によるボイスデザイン(Voice Design): 参照となる音声ファイルを用意することなく、テキストの冒頭に括弧書きで「(A young woman, gentle and sweet voice)」のように性別、年齢層、声質、感情、話速などの特徴を自然言語で記述するだけで、新しい声色を生成できます。
- スタイル制御が可能な音声クローニング(Controllable Voice Cloning): 短い参照音声を与えることでその話者の声質を複製できます。また、話者の声質を維持したまま、テキスト記述によるスタイル指示を追加して話速やトーン、感情表現を変更することも可能です。参照音声を指定する際は文字起こし(トランスクリプト)を必要としません。
- 高精度な音声再現(Ultimate Cloning): 参照音声と同時にその正確な文字起こしテキストを提供することで、話者の微妙な声のニュアンスまで忠実に再現する高精度なクローニングや音声の継続生成が行えます。
- リアルタイムストリーミング合成: 音声を逐次生成して出力するストリーミング生成に対応しています。
- 少ないデータでのファインチューニング: 5分から10分程度の音声データを用意することで、LoRAまたはフルSFTによるファインチューニングを実施できます。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 2.3B(元モデル openbmb/VoxCPM2 の値)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | BF16 | 2.7GB | 3.3GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は GGUF です。
ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
同クラスの既報モデル
当サイトが最近取り上げた、パラメータ数 〜4B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。
→ 横にスクロールできます
| モデル | パラメータ数 | 最小のVRAM階層 | ライセンス | 記事 |
|---|---|---|---|---|
| ggml-org/Soprano-1.1-80M-GGUF | 80M | 4GB | apache-2.0 | 「Soprano-1.1-80M-GGUF」軽量英語音声合成モデル:配布ファイル一覧(2026-11-17) |
| autotrust/TTS-V3 | 1.9B | 8GB | component-specific-terms | 「TTS-V3」電話対話特化の音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(2026-11-17) |
| autotrust/TTS-V4 | 1.9B | 8GB | other | 「TTS-V4」中国語音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(2026-11-17) |
| phasefield-audio/Irodori-TTS-v4.1-Anime | 766M | 4GB | mit | 「Irodori-TTS-v4.1-Anime」アニメ風音声対応の音声合成モデル:当サイトの生成音声・配布ファイル一覧(2026-09-07) |
配布ファイル
ggml-org/VoxCPM2-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
mmproj-VoxCPM2-BF16.gguf |
2.01GB |
VoxCPM2-BF16.gguf |
2.95GB |
VoxCPM2-Q8_0.gguf |
1.57GB |
入手方法
「ggml-org/VoxCPM2-GGUF」は、Hugging FaceのリポジトリからGGUFフォーマットで取得できます。利用にあたって特別な事前申請やライセンス同意手続き(gated)は不要です。
llama.cppのツール群を利用して、ターミナルからの直接実行やサーバーとしての運用が可能です。
ターミナルからの直接実行コマンド例
llama-tts -hf ggml-org/VoxCPM2-GGUF -p "(A calm male narrator)Hello world" --output out.wav
参照音声ファイルを使用して音声クローニングを行う場合は、--tts-speaker-file オプションで音声ファイルを指定します。この際、文字起こしデータは不要です。
サーバーモードでの起動コマンド例
llama serve -hf ggml-org/VoxCPM2-GGUF
サーバー起動後は、/tts エンドポイントを介して音声合成機能を利用できます。
なお、本モデルは ggml-org/convert スクリプトを用いて自動変換されたGGUFモデルとなります。使用方法の詳細なドキュメントは llama.cppのVoxCPM2ドキュメント を参照してください。
関連記事
- 「hibiki-2b-GGUF」リアルタイム音声翻訳モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「Kokoro-82M-GGUF」軽量な音声合成モデル:配布ファイル一覧
- 「LFM3-1.7B-GGUF」テキスト生成モデル:当サイトでの回答例・必要VRAM 4GB〜
- ggml-org/tinyLFM3-Omni-for-testing-gguf Released for llama.…
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル
- 公開元について調べる → OpenBMB のモデル・ライセンス・記事のまとめ
- 同じ用途の他のモデルを探す → 音声のモデル一覧

