OmniVoice：600+语种的语音合成新纪元
剑二十七 · 技术前沿
🔹一句话了解
由小米下一代 Kaldi 团队（k2-fsa）打造的超大规模多语言零样本 TTS 模型，支持600+ 语种，以卓越音质与极速推理，重新定义语音合成体验。
由小米下一代 Kaldi 团队（k2-fsa）打造的超大规模多语言零样本 TTS 模型，支持600+ 语种，以卓越音质与极速推理，重新定义语音合成体验。
✨ 核心能力一览
🗣️全球语种覆盖
支持 600+ 语言与方言，从英语、中文到低资源语种，一模型通全球。
支持 600+ 语言与方言，从英语、中文到低资源语种，一模型通全球。
🔁声音克隆 · 3 秒复刻
仅需 3–10 秒参考音频，即可高保真克隆任意人声。参考文本可手动输入，也可由模型自动转录，零门槛上手。
仅需 3–10 秒参考音频，即可高保真克隆任意人声。参考文本可手动输入，也可由模型自动转录，零门槛上手。
🎨声音设计 · 随心定制
无需参考音频，通过自然语言描述即可自定义声音属性：
无需参考音频，通过自然语言描述即可自定义声音属性：
性别：男 / 女
年龄：儿童 → 老年 五档可选
音调：极低 ~ 极高 精准调节
风格：耳语等特殊发声方式
口音：美式 / 英式 / 中式等 10 种英文口音
方言：四川话 / 东北话 / 河南话等 12 种中文方言
⚡极速推理 · 40 倍实时
RTF 低至 0.025，推理速度达实时音频的 40 倍，高并发场景轻松应对。
RTF 低至 0.025，推理速度达实时音频的 40 倍，高并发场景轻松应对。
🎛️专业级精细控制
支持
[laughter]等非语言符号插入拼音/音素级发音校正
语速、时长、降噪、引导系数等多维参数独立调节
🔄三种模式 · 灵活适配
clone克隆模式｜design设计模式｜auto自动选声，按需切换，场景全覆盖。🧠 技术内核亮点
▸扩散语言模型架构
融合扩散模型的高质量生成能力 + 语言模型的强大泛化性，结构简洁，扩展性强。
融合扩散模型的高质量生成能力 + 语言模型的强大泛化性，结构简洁，扩展性强。
▸真·零样本泛化
无需目标说话人训练数据，真正实现「见音识人，听文发声」。
无需目标说话人训练数据，真正实现「见音识人，听文发声」。
▸多语言统一建模
单一模型处理 600+ 语种，告别多模型切换的部署复杂度。
单一模型处理 600+ 语种，告别多模型切换的部署复杂度。
▸ASR 智能辅助
集成 Whisper 等 ASR 模型，参考文本自动转录，降低使用门槛。
集成 Whisper 等 ASR 模型，参考文本自动转录，降低使用门槛。
▸全平台兼容
支持 CUDA / MPS / CPU，Apple Silicon 用户开箱即用。
支持 CUDA / MPS / CPU，Apple Silicon 用户开箱即用。
🎯 典型应用场景
🎬内容创作
短视频配音｜有声书演播｜播客多角色生成，效率与表现力兼得。
短视频配音｜有声书演播｜播客多角色生成，效率与表现力兼得。
🌐国际化产品
多语言客服语音｜跨境教育内容本地化，一模型覆盖全球市场。
多语言客服语音｜跨境教育内容本地化，一模型覆盖全球市场。
🎮游戏/虚拟人
NPC 动态语音生成｜虚拟主播个性化声线定制，沉浸感再升级。
NPC 动态语音生成｜虚拟主播个性化声线定制，沉浸感再升级。
♿无障碍辅助
为视障用户生成个性化语音反馈，科技传递温度。
为视障用户生成个性化语音反馈，科技传递温度。
🔐隐私保护场景
本地部署克隆，避免云端语音数据泄露，安全可控。
本地部署克隆，避免云端语音数据泄露，安全可控。
🧪科研与实验
多语言语音合成研究｜说话人自适应｜语音编辑算法验证，开源赋能学术。
多语言语音合成研究｜说话人自适应｜语音编辑算法验证，开源赋能学术。
🎛️ 交互模式详解
🔸声音克隆模式
① 上传 3–10 秒参考音频
② （可选）填写参考文本，或交由模型自动识别
③ 输入待合成内容，选择语种（或自动检测）
④ 一键生成，相同音色，全新内容
① 上传 3–10 秒参考音频
② （可选）填写参考文本，或交由模型自动识别
③ 输入待合成内容，选择语种（或自动检测）
④ 一键生成，相同音色，全新内容
🔸声音设计模式
① 无需参考音频
② 组合选择声音属性（性别/年龄/音调/口音/方言等）
③ 输入文本，生成符合描述的理想声音
① 无需参考音频
② 组合选择声音属性（性别/年龄/音调/口音/方言等）
③ 输入文本，生成符合描述的理想声音
🔸高级参数面板
语速 / 时长：独立调节，时长设置优先
推理步数：4–64 步可调，平衡速度与质量
引导系数（CFG）：控制生成结果与提示词的贴合程度
降噪开关：自动去除背景噪声与底噪
前后处理：自动裁剪静音、补充标点，输出更纯净
💡剑二十七说
OmniVoice 不仅是一个工具，更是内容创作者、开发者与研究者的「声音画笔」。
600+ 语种 × 零样本克隆 × 极速推理，让每一段文字，都能找到最契合的声音表达。专注内容深度，传递品牌价值。探索内容创作的无限可能。
整合包说明
1 这个语音合成工具给我的第一感觉 就是快，生成语音速度超级快
2 英伟达8G显卡就可以愉快玩耍，但是我估计6G应该也可以
3 生成的语音文件自动保存在output
4 如果解压失败，请用winrar 解压 如果不会 请看教程
随便生成几个你们听听
20260407 更新记录
1 增加用qwen模型分析文本内容，自动加入对应的语气标签
2 修正部分bug
下载地址
