OmniVoice — 支援 600+ 語言的聲音克隆 TTS
k2-fsa 出品的多語言 zero-shot 文字轉語音模型，執行於官方 Hugging Face Space
OmniVoice 可將文字轉換為數百種語言的自然語音，支援基於授權、來自短參考片段的聲音克隆，並允許你透過年齡、音高、口音和耳語風格等屬性來設計聲音。先在下方的即時 Demo 中試用，再決定是否安裝。
這是託管在 Hugging Face 上的官方 OmniVoice Space，由 k2-fsa 建構。首次執行時 ZeroGPU 啟動較慢，可能需要稍等。本 Whisper AI 頁面是一份獨立指南，內嵌官方 Demo。
什麼是 OmniVoice？
OmniVoice 是 k2-fsa 專案推出的大規模多語言 zero-shot 文字轉語音模型。它不侷限於少數固定聲音，而是追求開源 TTS 模型中最廣的語言覆蓋，將來自數秒參考音訊的聲音克隆，與僅憑屬性即可建構說話人的語音設計控制結合在一起。
在底層，OmniVoice 基於 Qwen3-0.6B 與擴散式語言模型架構，團隊藉此在不犧牲品質的前提下提升推理速度——模型卡顯示即時率（RTF）低至 0.025，約為即時速度的 40 倍。此次釋出涵蓋 Hugging Face 模型與 Space、一篇 arXiv 論文、一個 GitHub 儲存庫、一個 Colab 筆記本，以及可透過 pip 安裝的 omnivoice 套件。
如果你在尋找 OmniVoice Demo，上方內嵌的 Space 是最快的途徑：輸入文字、選擇語言、需要克隆時上傳一段短音訊、調整產生設定，即可在瀏覽器中直接收聽 24 kHz 的 AI 語音。
OmniVoice 為何與眾不同
OmniVoice 在一個開源模型工作流程中融合了多語言語音產生、聲音克隆和語音設計。
大規模多語言 TTS
OmniVoice 追求極廣的語言覆蓋；官方模型卡為文字轉語音列出了 600 多個語言和方言程式碼。
zero-shot 聲音克隆
上傳一段簡短的參考錄音，OmniVoice 即可以相近的聲音風格朗讀新文字。乾淨的片段加上可選的文字稿能帶來最佳匹配。
無需參考的語音設計
沒有錄音？可基於性別、年齡、音高、耳語風格、英語口音或中文方言等屬性建構合成聲音。
快速的擴散式產生
OmniVoice 採用擴散式語言模型架構；模型卡顯示即時率（RTF）低至 0.025，約為即時速度的 40 倍。
基於 Qwen3 的開源模型
該模型基於 Qwen3-0.6B，並以 Hugging Face 模型與 Space、可透過 pip 安裝的套件，以及公開的 GitHub 儲存庫形式釋出。
負責任的語音保護
官方說明禁止未經授權的克隆、冒充和非法用途。僅在獲得說話人許可時才克隆其聲音。
四步試用 OmniVoice
託管的 Space 讓你無需本地設定即可使用 OmniVoice 的主要控制項。
選擇模式
開啟內嵌的 OmniVoice Demo：有參考錄音就選 Voice Clone，想從屬性建構說話人就選 Voice Design。
輸入文字與語言
貼上要合成的文字。可將語言保持為自動偵測，或在多語言下拉選單中選擇特定語言。
新增聲音上下文或設計設定
克隆時，上傳一段簡短乾淨的樣本，並可選附上其文字稿。設計時，設定年齡、音高、口音或耳語風格等屬性。
調整產生並收聽
調整速度、時長、推理步數、guidance 和 denoise 等設定，然後產生並播放 24 kHz 音訊輸出。
OmniVoice 能力一覽
來自公開 Hugging Face Space、模型卡和 Demo 介面的關鍵資訊，已在此重寫以便快速評估。
你可以用 OmniVoice 做什麼
當語音專案既需要多語言廣度，又需要靈活的說話人控制時，OmniVoice 尤其有用。
本地化與配音
為產品影片、課程、旁白和多語言創意工作快速產生多語言的草稿配音。
語音智慧體原型
在搭建生產級對話式 AI 或電話客服之前，先測試聲音個性、口音和節奏。
無障礙音訊內容
將文章、文件和學習資料轉為語音，服務更願意收聽或需要音訊替代方案的人群。
角色與風格探索
用語音設計探索年齡、音高、耳語以及口音或方言選項，而無需為每個變體錄製參考聲音。
研究與評測
將 zero-shot 克隆、多語言發音和可控說話人屬性與你自己的 TTS 基線進行對比。
開發者實驗
安裝 omnivoice 套件或使用 GitHub 程式碼，測試 Python 推理、批次產生和自訂工作流程。
獲得更好 OmniVoice 效果的技巧
- 使用單一說話人、背景噪聲低、音量自然的乾淨參考錄音。
- 首次測試保持簡短，以便快速檢查發音、節奏和聲音相似度。
- 當自動偵測在短文字或混合語種文字上表現不佳時，手動選擇語言。
- 在沒有授權的情況下，優先使用語音設計產生合成人物，而不是克隆真實人物。
- 新增 [laughter] 等非語言提示，或用拼音、音素糾正難讀詞，以打磨成品。
- 不要把機密文字貼上到公開 Demo 中；安裝 omnivoice 套件，自行執行敏感任務。
OmniVoice 常見問題
為評估 OmniVoice 用於 AI 聲音克隆、多語言 TTS 和語音設計的使用者提供簡短解答。
什麼是 OmniVoice？
OmniVoice 是 k2-fsa 專案推出的大規模多語言 zero-shot 文字轉語音模型。它可以合成 600 多種語言的語音，從一段短參考片段克隆聲音，並根據說話人屬性設計聲音。
我可以免費線上試用 OmniVoice 嗎？
可以。上方面板內嵌了 Hugging Face 上的官方 OmniVoice Space，你無需先安裝 Python 套件即可在瀏覽器中試用即時 Demo。
OmniVoice 支援聲音克隆嗎？
支援。在 Voice Clone 模式下，OmniVoice 使用一段短參考音訊和可選的文字稿來引導產生的聲音。請僅克隆你擁有或獲得明確許可的聲音。
OmniVoice 的語音設計是什麼？
語音設計讓你設定性別、年齡、音高、耳語風格、英語口音或中文方言等說話人屬性，然後無需任何參考錄音即可產生聲音。
OmniVoice 支援多少種語言？
官方模型卡列出了 600 多個語言和方言程式碼，是開源 zero-shot TTS 模型中覆蓋最廣的之一。在投入生產前，請先在即時 Space 中測試你的目標語言。
OmniVoice 是開源的嗎？
OmniVoice 基於 Qwen3-0.6B，以 Apache-2.0 許可證釋出，配有 Hugging Face 模型與 Space、GitHub 儲存庫以及可透過 pip 安裝的 omnivoice 套件。商用前請查閱許可證。
託管的 OmniVoice Demo 是私密的嗎？
內嵌 Demo 由 Hugging Face 託管，而非 Whisper AI。請勿在公開 Space 中輸入敏感文字或音訊；如需處理機密內容，請安裝 omnivoice 套件並自行執行模型。
在瀏覽器中試用 OmniVoice
在官方 Hugging Face Demo 中產生多語言語音、在獲得授權的前提下測試聲音克隆，並探索語音設計控制。