OmniVoice — 支持 600+ 语言的声音克隆 TTS
k2-fsa 出品的多语言 zero-shot 文字转语音模型，运行于官方 Hugging Face Space
OmniVoice 可将文字转换为数百种语言的自然语音，支持基于授权、来自短参考片段的声音克隆，并允许你通过年龄、音高、口音和耳语风格等属性来设计声音。先在下方的实时演示中试用，再决定是否安装。
这是托管在 Hugging Face 上的官方 OmniVoice Space，由 k2-fsa 构建。首次运行时 ZeroGPU 启动较慢，可能需要稍等。本 Whisper AI 页面是一份独立指南，内嵌官方演示。
什么是 OmniVoice？
OmniVoice 是 k2-fsa 项目推出的大规模多语言 zero-shot 文字转语音模型。它不局限于少数固定声音，而是追求开源 TTS 模型中最广的语言覆盖，将来自数秒参考音频的声音克隆，与仅凭属性即可构建说话人的语音设计控制结合在一起。
在底层，OmniVoice 基于 Qwen3-0.6B 与扩散式语言模型架构，团队借此在不牺牲质量的前提下提升推理速度——模型卡显示实时率（RTF）低至 0.025，约为实时速度的 40 倍。此次发布涵盖 Hugging Face 模型与 Space、一篇 arXiv 论文、一个 GitHub 仓库、一个 Colab 笔记本，以及可通过 pip 安装的 omnivoice 包。
如果你在寻找 OmniVoice 演示，上方内嵌的 Space 是最快的途径：输入文字、选择语言、需要克隆时上传一段短音频、调整生成设置，即可在浏览器中直接收听 24 kHz 的 AI 语音。
OmniVoice 为何与众不同
OmniVoice 在一个开源模型工作流中融合了多语言语音生成、声音克隆和语音设计。
大规模多语言 TTS
OmniVoice 追求极广的语言覆盖；官方模型卡为文字转语音列出了 600 多个语言和方言代码。
zero-shot 声音克隆
上传一段简短的参考录音，OmniVoice 即可以相近的声音风格朗读新文本。干净的片段加上可选的文字稿能带来最佳匹配。
无需参考的语音设计
没有录音？可基于性别、年龄、音高、耳语风格、英语口音或中文方言等属性构建合成声音。
快速的扩散式生成
OmniVoice 采用扩散式语言模型架构；模型卡显示实时率（RTF）低至 0.025，约为实时速度的 40 倍。
基于 Qwen3 的开源模型
该模型基于 Qwen3-0.6B，并以 Hugging Face 模型与 Space、可通过 pip 安装的包，以及公开的 GitHub 仓库形式发布。
负责任的语音保护
官方说明禁止未经授权的克隆、冒充和非法用途。仅在获得说话人许可时才克隆其声音。
四步试用 OmniVoice
托管的 Space 让你无需本地配置即可使用 OmniVoice 的主要控制项。
选择模式
打开内嵌的 OmniVoice 演示：有参考录音就选 Voice Clone，想从属性构建说话人就选 Voice Design。
输入文字与语言
粘贴要合成的文本。可将语言保持为自动检测，或在多语言下拉菜单中选择特定语言。
添加声音上下文或设计设置
克隆时，上传一段简短干净的样本，并可选附上其文字稿。设计时，设置年龄、音高、口音或耳语风格等属性。
调整生成并收听
调整速度、时长、推理步数、guidance 和 denoise 等设置，然后生成并播放 24 kHz 音频输出。
OmniVoice 能力一览
来自公开 Hugging Face Space、模型卡和演示界面的关键信息，已在此重写以便快速评估。
你可以用 OmniVoice 做什么
当语音项目既需要多语言广度，又需要灵活的说话人控制时，OmniVoice 尤其有用。
本地化与配音
为产品视频、课程、旁白和多语言创意工作快速生成多语言的草稿配音。
语音智能体原型
在搭建生产级对话式 AI 或电话客服之前，先测试声音个性、口音和节奏。
无障碍音频内容
将文章、文档和学习资料转为语音，服务更愿意收听或需要音频替代方案的人群。
角色与风格探索
用语音设计探索年龄、音高、耳语以及口音或方言选项，而无需为每个变体录制参考声音。
研究与评测
将 zero-shot 克隆、多语言发音和可控说话人属性与你自己的 TTS 基线进行对比。
开发者实验
安装 omnivoice 包或使用 GitHub 代码，测试 Python 推理、批量生成和自定义流水线。
获得更好 OmniVoice 效果的技巧
- 使用单一说话人、背景噪声低、音量自然的干净参考录音。
- 首次测试保持简短，以便快速检查发音、节奏和声音相似度。
- 当自动检测在短文本或混合语种文本上表现不佳时，手动选择语言。
- 在没有授权的情况下，优先使用语音设计生成合成人物，而不是克隆真实人物。
- 添加 [laughter] 等非语言提示，或用拼音、音素纠正难读词，以打磨成品。
- 不要把机密文本粘贴到公开演示中；安装 omnivoice 包，自行运行敏感任务。
OmniVoice 常见问题
为评估 OmniVoice 用于 AI 声音克隆、多语言 TTS 和语音设计的用户提供简短解答。
什么是 OmniVoice？
OmniVoice 是 k2-fsa 项目推出的大规模多语言 zero-shot 文字转语音模型。它可以合成 600 多种语言的语音，从一段短参考片段克隆声音，并根据说话人属性设计声音。
我可以免费在线试用 OmniVoice 吗？
可以。上方面板内嵌了 Hugging Face 上的官方 OmniVoice Space，你无需先安装 Python 包即可在浏览器中试用实时演示。
OmniVoice 支持声音克隆吗？
支持。在 Voice Clone 模式下，OmniVoice 使用一段短参考音频和可选的文字稿来引导生成的声音。请仅克隆你拥有或获得明确许可的声音。
OmniVoice 的语音设计是什么？
语音设计让你设定性别、年龄、音高、耳语风格、英语口音或中文方言等说话人属性，然后无需任何参考录音即可生成声音。
OmniVoice 支持多少种语言？
官方模型卡列出了 600 多个语言和方言代码，是开源 zero-shot TTS 模型中覆盖最广的之一。在投入生产前，请先在实时 Space 中测试你的目标语言。
OmniVoice 是开源的吗？
OmniVoice 基于 Qwen3-0.6B，以 Apache-2.0 许可证发布，配有 Hugging Face 模型与 Space、GitHub 仓库以及可通过 pip 安装的 omnivoice 包。商用前请查阅许可证。
托管的 OmniVoice 演示是私密的吗？
内嵌演示由 Hugging Face 托管，而非 Whisper AI。请勿在公开 Space 中输入敏感文本或音频；如需处理机密内容，请安装 omnivoice 包并自行运行模型。
在浏览器中试用 OmniVoice
在官方 Hugging Face 演示中生成多语言语音、在获得授权的前提下测试声音克隆，并探索语音设计控制。