VoxCPM2 (offline, voice clone, 30 languages)
Dobla tus subtítulos en 30 idiomas con VoxCPM2 de OpenBMB, con la propia voz de cada hablante clonada del vídeo, o con una voz creada a partir de una descripción. Funciona en tu propio ordenador, y el complemento, el código y los pesos son todos Apache-2.0.
Ajustes Complementos VoxCPM2 (offline, voice clone, 30 languages) Instalar
Subtitld lo descarga, comprueba su SHA-256 y lo mantiene actualizado.
- Idiomas
- 30
- Modelos
- 1
- Voces
- 9
- Descarga del complemento
- 205–318 MB
- RAM, como mínimo
- 7 GB
Qué hace
Subtitld recorta del vídeo un clip de cada hablante y lo envía con las palabras que se dicen en él. VoxCPM2 continúa a partir de ese clip, así que el doblaje suena como la persona en pantalla, en cualquiera de sus 30 idiomas.
Siete voces listas, desde una mujer de voz cálida hasta un hombre mayor de voz ronca y un narrador, o tus propias palabras: "un hombre joven, rápido y alegre".
La voz sale a 48 kHz, la frecuencia que usa el vídeo.
El complemento, el código de VoxCPM y los pesos de VoxCPM2 son todos Apache-2.0.
Antes de instalar
VoxCPM2 es un modelo grande, de 2400 millones de parámetros. Da los doblajes más naturales de los complementos sin conexión, y es el que más exige a tu ordenador:
- Disco: unos 5,6 GB, casi todo el modelo de 4,96 GB, que se descarga con la primera línea que dobles.
- Memoria: unos 7 GB libres. Con menos sigue funcionando, pero mucho más lento.
- Tiempo: en una CPU, cada segundo de voz tarda varios segundos en generarse: de 5 a 6 segundos en un Intel Core i7-13700T. Un vídeo de diez minutos puede tardar cerca de una hora. En un Mac con Apple Silicon funciona en la GPU.
Para doblajes rápidos en ordenadores modestos, Piper o Kokoro son mucho más ligeros.
Voces
En la pestaña Hablantes, elige VoxCPM2 como Motor de doblaje de un hablante y luego elige una Voz. Activa Ajustar el doblaje a la duración del subtítulo para que cada línea de ese hablante se estire o se comprima hasta su subtítulo.
9 voces.
La voz clonada
Con Speaker's own voice, Subtitld recorta una muestra de ese hablante del audio del proyecto, de uno de sus subtítulos de 3 a 12 segundos, o de varios cortos unidos. Si separaste la música de la voz en este vídeo, la muestra sale solo de la voz. El Fallback reference clip de los ajustes del complemento solo se usa cuando no se puede recortar ninguna muestra.
Subtitld envía el texto del subtítulo con la muestra, y VoxCPM2 continúa a partir de ella, que es lo que más se acerca al hablante, incluida su forma de hablar. Si un doblaje a otro idioma conserva el acento del hablante, activa Clone the timbre only.
Voces descritas
VoxCPM2 crea una voz nueva cada vez que lee una descripción. Por eso el complemento crea la voz de cada hablante una sola vez, y todas las líneas de ese hablante la reutilizan: la voz se mantiene igual a lo largo del vídeo, y dos hablantes con la misma descripción siguen sonando como dos personas.
Modelos
Hay un único modelo, VoxCPM2. No viene dentro del complemento: se descarga en la caché de modelos compartida de Subtitld la primera vez que doblas, desde Hugging Face en una revisión fija, con cada archivo comprobado. Una descarga interrumpida continúa donde se quedó. Actualizar o quitar el complemento conserva el modelo.
| Modelo | Descarga | Ideal para |
|---|---|---|
| VoxCPM2 (2.4B) Predeterminado voxcpm2 | Todas las voces, en los 30 idiomas |
La primera línea también carga el modelo, así que tarda más que las siguientes. Cancelar detiene una línea entre dos pasos, o detiene la descarga.
Opciones
En Ajustes › Complementos › VoxCPM2 (offline, voice clone, 30 languages) › Configurar.
autoAutomático usa la GPU de un Mac con Apple Silicon; si no, la CPU. Esta versión no usa tarjetas gráficas NVIDIA.
autoAutomático sirve para casi cualquier ordenador. float32 es algo más rápido, pero necesita unos 11 GB de memoria.
10Más pasos, habla más clara, más lento. 5 es aproximadamente un cuarto más rápido que 10, con una claridad audiblemente menor.
2How closely the speech follows the text and the voice. VoxCPM's default is 2.0.
00 elige los núcleos de rendimiento en las CPU que también tienen núcleos de eficiencia. Menos hilos mantienen el ordenador más ágil mientras dobla.
La usa la voz "Voz que describes": quién habla y cómo, en pocas palabras, por ejemplo "An elderly woman, soft and warm voice, slow pace". El inglés funciona para todos los idiomas.
Un clip para la voz clonada cuando Subtitld no puede recortar uno del vídeo, por ejemplo sin ningún vídeo abierto: de 3 a 15 segundos de una persona hablando.
Las palabras exactas que se dicen en el clip anterior. Con ellas, la clonación se acerca más al hablante.
Clona solo el sonido de la voz, no la forma de hablar del clip. Pruébalo cuando un doblaje a otro idioma conserva el acento del hablante, o cuando tus subtítulos parafrasean lo que se dice.
Idiomas
Árabe, birmano, chino, danés, neerlandés, inglés, finés, francés, alemán, griego, hebreo, hindi, indonesio, italiano, japonés, jemer, coreano, lao, malayo, noruego, polaco, portugués, ruso, español, suajili, sueco, tagalo, tailandés, turco y vietnamita. VoxCPM2 reconoce el idioma por el propio texto, así que cada voz habla todos los idiomas.
armyzhdanlenfifrdeelhehiiditjakmkolomsnoplptruesswsvtlthtrvi
Plataformas
| Sistema | Descarga | Probado |
|---|---|---|
| Linux x86-64 | 312.0 MB | Doblado con el modelo real en una máquina real; compilado y comprobado en CI |
| macOS (Apple silicon) | 318.0 MB | Compilado y comprobado en CI (Apple Silicon) |
| Windows x86-64 | 204.6 MB | Compilado y comprobado en CI |
Linux x86-64, macOS en Apple Silicon y Windows x86-64. Cada versión se compila en los tres, y la CI comprueba que todo lo necesario para hablar está en la compilación. La CI no ejecuta el modelo en sí.
Solución de problemas
network_unavailableNo se pudo descargar el modelo. Comprueba tu conexión y vuelve a intentarlo: la descarga continúa donde se quedó.disk_fullNo hay espacio en disco suficiente para el modelo. Necesita unos 5 GB libres.oomMemoria insuficiente. Cierra otros programas; VoxCPM2 necesita unos 7 GB libres, 11 GB en float32.bad_paramsLa línea no tiene texto, o la voz clonada no recibió ninguna muestra: abre el vídeo, o define un Fallback reference clip. El mensaje dice cuál de los dos.unsupported_voiceEl proyecto indica una voz que esta versión no tiene. Vuelve a elegir la voz en la pestaña Hablantes.internalAlgo falló dentro del complemento; el mensaje tiene los detalles. Si cambiaste Inference device, vuelve a ponerlo en Automático.
Licencia
Apto para uso comercial: el complemento, VoxCPM y los pesos de VoxCPM2 son todos Apache-2.0. Los doblajes que hagas son tuyos. Una voz clonada suena como una persona real: clona voces que tengas derecho a usar, y di que un doblaje es sintético cuando importe.
Versiones
- 0.0.1
Text-to-speech for Subtitld with OpenBMB's VoxCPM2: 30 languages at 48 kHz, in the speaker's own voice cloned from the video, or in a voice made from a description.
The archive holds the add-on and a CPU build of PyTorch. The 4.96 GB model downloads on the first synthesis, at a pinned revision, checked by sha256. Plan for about 7 GB of free memory; on a CPU each second of speech takes several seconds to make.
The add-on, VoxCPM and the VoxCPM2 weights are Apache-2.0. Each archive carries
THIRD_PARTY_LICENSES/with the licence of everything frozen into it. The Linux archive carries libquadmath (LGPL-2.1, with numpy); its complete source isvoxcpm-<version>-libquadmath-source.tar.gzin this release.
Otros complementos de Voces
-
Piper Sin conexión
158 voces sin conexión en 49 idiomas, cada una una descarga pequeña aparte.
-
Kokoro Sin conexión
54 voces sin conexión en nueve idiomas, todas de un único modelo de 82 MB.
-
Supertonic Sin conexión
Diez voces sin conexión, cada una capaz de hablar los 31 idiomas del modelo.
-
sanoTTS Sin conexión
Voces sin conexión diminutas, 28 en 14 idiomas, cada una de menos de 10 MB.
-
Parler-TTS Sin conexión
Voces en inglés que siguen una descripción escrita; 34 hablantes con nombre.
-
Qwen3-TTS Clonación
Diez idiomas, nueve voces y clonación desde 3 segundos de un hablante.
-
Coqui XTTS Clonación
Clonación de voz en 16 idiomas, con licencia de modelo no comercial.
-
F5-TTS Clonación
Solo clonación de voz, en inglés y chino; modelo no comercial.