北京
一个免费开源的语音合成模型，能覆盖600种以上语言，还能只凭3到10秒的录音复刻说话人的音色。它叫OmniVoice，项目挂在k2-fsa名下，官方给它贴的标签是「面向600种以上语言的高质量声音克隆TTS」。
它做的是文本转语音，核心能力是「零样本声音克隆」——不需要针对某个人的声音再做额外训练，输入一段参考音频，模型就能按这段声音的特征去读新句子。官方演示页「Massive Multilingual Zero-shot TTS」把原始提示音频、待朗读文本和生成结果并排摆出来，供人直接对比。
演示页的语言菜单里列了102种语言的样本，日语也在其中。切到日语，页面会同时给出日语的参考音频和另一段文本的合成结果，用来确认生成的声音是否延续了原声特征。
跨语言克隆也被单独拿出来展示。用另一种语言录下的声音去驱动目标语言的朗读，这条路能走通，但官方提醒：参考音频的语言口音可能残留在生成结果里，更稳妥的做法是准备和目标语言一致的参考音频。
不想用现成声音，也可以凭空捏一个。「Voice Design」允许直接指定性别、年龄、音高来生成音色。更细的控制放在「Fine-Grained Control」里，比如在文本中插入「[laughter]」，让合成结果里带上笑声，把语言之外的声音也编进朗读里。
本地跑起来的流程并不复杂。在装有NVIDIA GPU的Windows 11上，用Python和Git for Windows的Git Bash建好工作目录，依次执行建虚拟环境、安装torch与torchaudio、安装omnivoice三步，再用一条命令拉起本地Web界面，浏览器访问127.0.0.1:8001就能看到演示工具。
界面里输入要合成的文本，在「Reference Audio」处点麦克风图标录一段3到10秒的音频，或者直接上传录音文件，语言选「Japanese」，点「Generate」，结果会出现在「Output Audio」里，点播放即可试听。
切到「Voice Design」则是另一条路：性别设为Female、年龄设为Young Adult、音高设为High Pitch，点生成，不用任何参考音频就能得到一个新声音。
此外还配了长文自动切分生成、语音设置的保存与复用，以及多GPU批量处理。对一个免费模型来说，这些工程侧的配套，决定了它是能拿来演示，还是能拿来干活。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
