OmniVoice: voces de IA realistas
en 646 idiomas
OmniVoice lee cualquier guion con naturalidad, copia una voz a partir de un clip corto e inventa nuevos hablantes a partir de texto sin más: un solo modelo, 646 idiomas.
[ Funciones ]
Todas las herramientas que necesitan tus proyectos de voz
Texto a voz en 646 idiomas
Pega un guion y OmniVoice devuelve audio claro y natural en segundos. Un único modelo compartido cubre todos los idiomas: nada que cambiar.
Clonación de voz instantánea
Sube una grabación de 3–25 segundos. Se capturan el tono, el acento y el ritmo, y luego se reutilizan en cualquier idioma sin entrenamiento.
Diseña una voz con palabras
Olvídate del micrófono. Anota la edad, el tono, el acento y la forma de hablar, y aparecerá un hablante que coincida con esa descripción.
Emoción y señales no verbales
Escribe etiquetas como [laughter] o [sigh] en el texto. OmniVoice las reproduce en su sitio, tal como habla la gente real.
[ Texto a voz ]
Texto a voz con OmniVoice
Un solo modelo lee texto en voz alta en 646 lenguas — inglés y japonés, pero también galés, suajili y tok pisin. ¿Tienes curiosidad por cómo suena? Inicia el generador de voz.
Un motor. Todas las lenguas.
- ✓646 lenguas gestionadas por un solo modelo
- ✓Ritmo natural en lenguas mayoritarias y de escasos recursos
- ✓Control de pronunciación para inglés y japonés
- ✓Velocidad de habla ajustable de 0.5× a 2.0×
[ Clonación de voz ]
Copia cualquier voz — sin paso de entrenamiento
OmniVoice clona en zero-shot: sube un clip de referencia breve y obtén nuevo audio con esa misma voz al instante, sin ningún ajuste fino.
Muestra de entrada, hablante de salida.
- ✓Audio de referencia a partir de solo 3 segundos
- ✓Whisper ASR transcribe el clip automáticamente
- ✓Clonación entre idiomas en todos los 646 idiomas
- ✓Se mantiene estable en tomas ruidosas e imperfectas
[ Diseño de voz ]
Sáltate el micrófono. Escribe la voz que deseas.
Diseño de voz crea un hablante personalizado solo con palabras. Especifica edad, tono, acento y estilo, y Omnivoice produce una voz adecuada al instante.
DEMO
Transcripción
Elige un preajuste a la izquierda para cargar líneas de ejemplo y un prompt inicial.
Prompt
[ Muestra ]
Donde los equipos ponen Omnivoice a trabajar
Desde audiolibros hasta charlas dentro del juego, Omnivoice ofrece a los equipos contenido de voz natural para muchos tipos de productos y flujos de trabajo.
[ Beneficios ]
Por qué OmniVoice se distingue
Amplio alcance de idiomas, coincidencia de voz fiel e inferencia rápida, combinados en un único stack listo para producción.
646 idiomas, un modelo
ElevenLabs ofrece 32 idiomas y PlayHT 132. OmniVoice alcanza 646, incluidos cientos de idiomas de bajos recursos que otros omiten.
Menos errores de palabras
En una prueba comparativa de 24 idiomas, el modelo obtuvo una tasa de error de palabras del 2.85% frente al 10.95% de ElevenLabs: menos regrabaciones, una escucha más limpia.
Ref. arXiv 2604.00688 (Tabla 3)
Mayor coincidencia del hablante
La similitud del hablante (SIM-o) alcanza 0.830 frente a 0.655 de ElevenLabs, por lo que una voz clonada suena como la persona real.
Ref. arXiv 2604.00688 (Tabla 3)
Velocidad pensada para producción
La inferencia por lotes se ejecuta a RTF 0.022: un minuto de audio en aproximadamente 1.3 segundos. Rápida para aplicaciones en vivo, escalable para trabajos masivos.
Clonación entre idiomas
Graba una voz en inglés y luego escúchala hablar japonés, árabe o suajili. No se necesitan muestras adicionales por idioma.
Arquitectura de una sola pasada
Muchos stacks de TTS encadenan texto → semántica → audio y acumulan errores. OmniVoice pasa del texto al audio en un solo paso.
[ Comparación ]
OmniVoice lado a lado
Descubre cómo se compara OmniVoice en alcance de idiomas, apertura y funciones esenciales de voz.
| Función | Omnivoice | ElevenLabs | PlayHT |
|---|---|---|---|
| Idiomas | 646 | 32 | 132 |
| WER multilingüe | 2.85% | 10.95% | — |
| Similitud del hablante | 0.830 | 0.655 | — |
| Pesos abiertos | Sí | No | No |
| Autoalojamiento | Apache 2.0 | No | No |
| Diseño de voz solo con texto | Sí | No | No |
| Clonación entre idiomas | Sí | Limitado | No |
| Velocidad de inferencia | ~45× en tiempo real | — | — |
* Cifras de WER y SIM-o: arXiv 2604.00688, Tabla 3, 24 idiomas.
[ FAQ ]
Preguntas, respondidas
Respuestas breves sobre el modelo, sus funciones y cómo empezar.
¿Qué es Omnivoice?
Omnivoice es un modelo de voz de IA de código abierto para 646 idiomas. Lee texto en voz alta, clona voces a partir de clips cortos y crea hablantes a partir de descripciones. El equipo de k2-fsa lo entrenó con aproximadamente 581,000 horas de datos de voz abiertos.
¿Puedo ejecutar el modelo por mi cuenta?
Sí. Los pesos se distribuyen bajo Apache 2.0, así que puedes alojar Omnivoice en tu propio hardware o usar una herramienta alojada para saltarte la configuración.
¿Cuántos idiomas están cubiertos?
646 — los grandes como inglés, japonés, español y árabe, más cientos de idiomas de bajos recursos que la mayoría de las herramientas TTS ignoran.
¿Cómo funciona la clonación?
Proporciona una referencia de 3–25 segundos y el perfil del hablante se extrae al instante, sin entrenamiento. Esa voz puede entonces hablar cualquier idioma compatible.
¿Cómo se compara con ElevenLabs?
En una prueba de 24 idiomas, Omnivoice registró un WER de 2.85% frente a 10.95% y una similitud de 0.830 frente a 0.655, en 646 idiomas en lugar de 32.
¿Qué hace Voice Design?
Crea una voz sin entrada de audio. Descríbela —"masculina, cálida, acento irlandés, alegre"— y se genera un hablante que coincide.
¿Se permite el uso comercial?
Apache 2.0 lo permite, y el entrenamiento utilizó únicamente conjuntos de datos de código abierto, lo que simplifica las licencias.
¿Necesito una GPU?
Funciona en NVIDIA (CUDA 12.8), Apple Silicon y CPU. Se recomienda una GPU para producción: una H20 alcanza aproximadamente 45× el tiempo real.
Listo cuando tú quieras