OmniVoice: Lebensechte KI-Stimmen
in 646 Sprachen
OmniVoice liest jedes Skript natürlich vor, kopiert eine Stimme aus einem kurzen Clip und erfindet neue Sprecher aus reinem Text — ein Modell, 646 Sprachen.
[ Funktionen ]
Alle Tools, die Ihre Stimmprojekte brauchen
Text-zu-Sprache in 646 Sprachen
Fügen Sie ein Skript ein, und OmniVoice liefert innerhalb von Sekunden klares, natürliches Audio. Ein gemeinsames Modell deckt alle Sprachen ab — nichts muss umgeschaltet werden.
Sofortiges Stimmklonen
Laden Sie eine 3–25 Sekunden lange Aufnahme hoch. Tonlage, Akzent und Sprechtempo werden erfasst und dann ohne Training in jeder Sprache wiederverwendet.
Eine Stimme mit Worten gestalten
Überspringen Sie das Mikrofon. Notieren Sie Alter, Tonhöhe, Akzent und Vortragsweise, und aus dieser Beschreibung entsteht ein passender Sprecher.
Emotionen und nonverbale Signale
Geben Sie Tags wie [laughter] oder [sigh] in den Text ein. OmniVoice spielt sie direkt an der Stelle ab, so wie echte Menschen sprechen.
[ Text-to-Speech ]
Text-to-Speech mit OmniVoice
Ein einziges Modell liest Text in 646 Sprachen vor — Englisch und Japanisch, aber auch Walisisch, Swahili und Tok Pisin. Neugierig, wie es klingt? Sprachgenerator starten.
Eine Engine. Jede Sprache.
- ✓646 Sprachen, verarbeitet von einem einzigen Modell
- ✓Natürlicher Rhythmus in großen und ressourcenarmen Sprachen
- ✓Aussprachekontrolle für Englisch und Japanisch
- ✓Sprechgeschwindigkeit von 0.5× bis 2.0× einstellbar
[ Stimmklon ]
Jede Stimme kopieren — kein Trainingsschritt
OmniVoice klont Zero-Shot: Laden Sie einen kurzen Referenzclip hoch und erhalten Sie sofort neue Sprache in derselben Stimme – ganz ohne Fine-Tuning.
Beispiel hinein, Sprecher heraus.
- ✓Referenzaudio ab nur 3 Sekunden
- ✓Whisper ASR transkribiert den Clip automatisch
- ✓Sprachübergreifendes Klonen über alle 646 Sprachen
- ✓Bleibt stabil bei verrauschten, unperfekten Aufnahmen
[ Voice Design ]
Mikrofon überspringen. Schreibe die Stimme, die du willst.
Voice Design erstellt einen eigenen Sprecher allein aus Worten. Lege Alter, Tonhöhe, Akzent und Stil fest, und OmniVoice erzeugt sofort eine passende Stimme.
DEMO
Transkript
Wähle links eine Voreinstellung, um Beispielzeilen und einen Start-Prompt zu laden.
Prompt
[ Showcase ]
Wo Teams OmniVoice einsetzen
Von Hörbüchern bis zu Geplänkel im Spiel: OmniVoice liefert Teams natürliche Sprachinhalte für viele Arten von Produkten und Pipelines.
[ Vorteile ]
Warum OmniVoice heraussticht
Große Sprachabdeckung, originalgetreue Stimmübereinstimmung und schnelle Inferenz – vereint in einem produktionsbereiten Stack.
646 Sprachen, ein Modell
ElevenLabs bietet 32 Sprachen, PlayHT 132. OmniVoice erreicht 646, darunter Hunderte ressourcenarme Sprachen, die andere auslassen.
Weniger Wortfehler
In einem Benchmark mit 24 Sprachen erzielte das Modell eine Wortfehlerrate von 2.85% gegenüber 10.95% bei ElevenLabs – weniger Wiederholungen, saubereres Zuhören.
Ref. arXiv 2604.00688 (Tabelle 3)
Besserer Sprecherabgleich
Die Sprecherähnlichkeit (SIM-o) erreicht 0.830 gegenüber 0.655 bei ElevenLabs, sodass eine geklonte Stimme wie die echte Person klingt.
Ref. arXiv 2604.00688 (Tabelle 3)
Geschwindigkeit für den Produktionseinsatz
Batch-Inferenz läuft mit RTF 0.022 – eine Minute Audio in etwa 1.3 Sekunden. Schnell für Live-Apps, skalierbar für Massenaufträge.
Sprachübergreifendes Klonen
Eine Stimme auf Englisch aufnehmen und sie dann Japanisch, Arabisch oder Swahili sprechen hören. Keine zusätzlichen Samples pro Sprache.
Single-Pass-Architektur
Viele TTS-Stacks verketten Text → Semantik → Audio und häufen Fehler an. OmniVoice geht in einem Schritt von Text zu Audio.
[ Vergleich ]
OmniVoice im direkten Vergleich
Sehen Sie, wie OmniVoice bei Sprachabdeckung, Offenheit und zentralen Stimmfunktionen abschneidet.
| Funktion | Omnivoice | ElevenLabs | PlayHT |
|---|---|---|---|
| Sprachen | 646 | 32 | 132 |
| Mehrsprachige WER | 2.85% | 10.95% | — |
| Sprecherähnlichkeit | 0.830 | 0.655 | — |
| Offene Gewichte | Ja | Nein | Nein |
| Selbsthosting | Apache 2.0 | Nein | Nein |
| Reine Text-Stimmgestaltung | Ja | Nein | Nein |
| Sprachübergreifendes Klonen | Ja | Begrenzt | Nein |
| Inferenzgeschwindigkeit | ~45× Echtzeit | — | — |
* WER- und SIM-o-Werte: arXiv 2604.00688, Tabelle 3, 24 Sprachen.
[ FAQ ]
Fragen, beantwortet
Kurze Antworten zum Modell, seinen Funktionen und den ersten Schritten.
Was ist OmniVoice?
OmniVoice ist ein Open-Source-KI-Stimmenmodell für 646 Sprachen. Es liest Text laut vor, klont Stimmen aus kurzen Clips und erstellt Sprecher aus Beschreibungen. Das k2-fsa-Team hat es mit rund 581,000 Stunden offener Sprachdaten trainiert.
Kann ich das Modell selbst ausführen?
Ja. Die Gewichte sind unter Apache 2.0 verfügbar, sodass Sie OmniVoice auf Ihrer eigenen Hardware hosten oder ein gehostetes Tool verwenden können, um die Einrichtung zu überspringen.
Wie viele Sprachen werden abgedeckt?
646 — große Sprachen wie Englisch, Japanisch, Spanisch und Arabisch sowie Hunderte ressourcenarme Sprachen, die die meisten TTS-Tools ignorieren.
Wie funktioniert das Klonen?
Stellen Sie eine 3–25 Sekunden lange Referenz bereit, und das Sprecherprofil wird sofort extrahiert – ganz ohne Training. Diese Stimme kann dann jede unterstützte Sprache sprechen.
Wie schneidet es im Vergleich zu ElevenLabs ab?
In einem Test mit 24 Sprachen erzielte OmniVoice 2.85% WER gegenüber 10.95% und 0.830 Ähnlichkeit gegenüber 0.655 – über 646 Sprachen statt 32.
Was macht Voice Design?
Es erzeugt eine Stimme ohne Audioeingabe. Beschreiben Sie sie – „männlich, warm, irischer Akzent, lebhaft“ – und ein passender Sprecher wird generiert.
Ist die kommerzielle Nutzung erlaubt?
Apache 2.0 erlaubt es, und beim Training wurden ausschließlich Open-Source-Datensätze verwendet, was die Lizenzierung einfach macht.
Brauche ich eine GPU?
Es läuft auf NVIDIA (CUDA 12.8), Apple Silicon und CPU. Für die Produktion wird eine GPU empfohlen – eine H20 erreicht etwa 45× Echtzeit.
Bereit, wenn Sie bereit sind