Omnivoice: リアルなAI音声
を 646言語で
Omnivoiceはあらゆる台本を自然に読み上げ、短いクリップから声をコピーし、プレーンテキストから新しい話者を生み出します — 1つのモデルで646言語。
[ 機能 ]
音声プロジェクトに必要なすべてのツール
646言語のテキスト読み上げ
台本を貼り付けるだけで、Omnivoiceが数秒以内にクリアで自然な音声を返します。1つの共有モデルがすべての言語をカバー — 切り替える必要はありません。
インスタント音声クローニング
3–25秒の録音をドロップするだけ。トーン、アクセント、ペースが捉えられ、トレーニングなしで任意の言語に再利用されます。
言葉で声をデザイン
マイクは不要です。年齢、ピッチ、アクセント、話し方を書き留めると、その説明に合った話者が現れます。
感情と非言語的な手がかり
テキストに [laughter] や [sigh] のようなタグを入力してください。OmniVoice は実際の人が話すように、その場でそれらを演じます。
[ テキスト読み上げ ]
OmniVoice によるテキスト読み上げ
単一のモデルが646言語でテキストを読み上げます — 英語や日本語だけでなく、ウェールズ語、スワヒリ語、トク・ピシンにも対応。どんな音声か気になりますか？ 音声ジェネレーターを起動.
ひとつのエンジン。あらゆる言語。
- ✓単一モデルが646言語に対応
- ✓主要言語と低資源言語で自然なリズム
- ✓英語と日本語の発音を制御
- ✓話速は0.5×から2.0×まで調整可能
[ ボイスクローン ]
どんな声もコピー — トレーニング手順は不要
OmniVoice はゼロショットでクローンできます。短い参照クリップをアップロードするだけで、ファインチューニングなしに、その同じ声で新しい音声をすぐに生成できます。
[ ボイスデザイン ]
マイクは不要。欲しい声を文字で書くだけ。
ボイスデザインは言葉だけからカスタム話者を構築します。年齢、ピッチ、アクセント、スタイルを指定すると、Omnivoice がその場でぴったりの声を生成します。
デモ
文字起こし
左のプリセットを選ぶと、サンプル行とスタータープロンプトが読み込まれます。
プロンプト
[ ショーケース ]
チームがOmnivoiceを活用する場面
オーディオブックからゲーム内の掛け合いまで、Omnivoiceはさまざまな製品やパイプライン向けに、チームへ自然な音声コンテンツを提供します。
[ メリット ]
Omnivoiceが他と一線を画す理由
幅広い言語対応、忠実な声のマッチング、高速推論を、本番運用可能な一つのスタックに統合。
646言語、1つのモデル
ElevenLabsは32言語、PlayHTは132言語に対応しています。Omnivoiceは646言語に到達し、他のサービスが対象外とする数百の低資源言語も含みます。
単語エラーが少ない
24言語のベンチマークで、このモデルは単語エラー率2.85%を記録し、ElevenLabsは10.95%でした。やり直しが減り、よりクリーンに聞こえます。
出典: arXiv 2604.00688（表3）
より忠実な話者マッチング
話者類似度（SIM-o）は0.830に達し、ElevenLabsは0.655です。そのため、クローンした声は本人のように聞こえます。
出典: arXiv 2604.00688（表3）
本番運用向けのスピード
バッチ推論はRTF 0.022で動作し、1分の音声を約1.3秒で処理します。ライブアプリにも高速で、大量処理にもスケールします。
言語間クローニング
英語で声を録音すれば、その声が日本語、アラビア語、スワヒリ語を話すのを聞けます。言語ごとの追加サンプルは不要です。
シングルパスアーキテクチャ
多くのTTSスタックはテキスト → 意味 → 音声と連鎖し、エラーが積み重なります。Omnivoiceはテキストから音声へ1ステップで進みます。
[ 比較 ]
Omnivoiceの横並び比較
Omnivoiceが言語対応範囲、オープン性、主要な音声機能でどう比較できるかをご覧ください。
| 機能 | Omnivoice | ElevenLabs | PlayHT |
|---|---|---|---|
| 言語 | 646 | 32 | 132 |
| 多言語WER | 2.85% | 10.95% | — |
| 話者類似度 | 0.830 | 0.655 | — |
| オープンウェイト | はい | いいえ | いいえ |
| セルフホスティング | Apache 2.0 | いいえ | いいえ |
| テキストのみの音声デザイン | はい | いいえ | いいえ |
| 言語間クローニング | はい | 限定的 | いいえ |
| 推論速度 | ~45× リアルタイム | — | — |
* WER と SIM-o の数値: arXiv 2604.00688、Table 3、24言語。
[ FAQ ]
質問と回答
モデル、その機能、始め方についての簡潔な回答。
OmniVoiceとは？
OmniVoiceは646言語に対応するオープンソースのAI音声モデルです。テキストを読み上げ、短いクリップから音声をクローンし、説明から話者を構築します。k2-fsaチームが約581,000時間のオープンな音声データでトレーニングしました。
モデルを自分で実行できますか？
はい。重みはApache 2.0で提供されているため、OmniVoiceを自前のハードウェアでホストするか、ホスト型ツールを使ってセットアップを省けます。
対応言語はいくつですか？
646 — 英語、日本語、スペイン語、アラビア語のような主要言語に加え、ほとんどのTTSツールが無視する数百の低リソース言語。
クローンはどのように機能しますか？
3–25秒の参照音声を提供すると、トレーニングなしで話者プロファイルが即座に抽出されます。その音声はその後、対応する任意の言語を話せます。
ElevenLabsと比べてどうですか？
24言語のテストで、OmniVoiceはWER 2.85%対10.95%、類似度0.830対0.655を記録し、32言語ではなく646言語に対応しました。
Voice Designは何をしますか？
音声入力なしで声を作成します。「男性、温かみのある、アイルランド訛り、明るい」のように説明すると、一致する話者が生成されます。
商用利用は許可されていますか？
Apache 2.0 はそれを許可しており、トレーニングではオープンソースのデータセットのみを使用したため、ライセンス処理がシンプルに保たれます。
GPU は必要ですか？
NVIDIA（CUDA 12.8）、Apple Silicon、CPU で動作します。本番環境では GPU を推奨します — H20 は約 45× リアルタイムに達します。
準備ができたら、どうぞ