有时候会有一种很明显的感觉：AI 语音这件事，好像已经从「能不能用」进入到「还能怎么往上加难度」的阶段了。前几年大家还在讨论「AI 读出来像不像人」，现在新的问题已经变成了：「AI 能不能用同一个声音说全世界的语言？」

最近，小米 AI Lab 开源的 OmniVoice，就在尝试解决这个问题。

简单科普一下。传统 TTS（文本转语音）的目标是把文字变成语音，但往往受限于语言、口音甚至说话人本身。换一种语言、换一种声音，很多时候就需要重新训练模型。

而 OmniVoice 的思路更加激进：训练一个支持 600 + 语言的统一语音模型。它不仅能根据 3~10 秒参考音频快速克隆声音，还支持通过自然语言直接设计音色。比如输入「年轻女性、英式口音、语速偏慢」，模型就能生成符合描述的新声音。更重要的是，它支持跨语言语音克隆。换句话说，你提供一段中文录音，模型可以保留原有音色，用英文、日文甚至更多语言进行表达。

此外，OmniVoice 还支持中文方言、多种英语口音，以及长文本自动分块生成等能力，对于数字人、AI 主播、有声书和内容出海等场景都非常实用。如果说过去的语音模型是在研究「怎么把字念出来」，那么 OmniVoice 更像是在探索另一件事：如何让 AI 真正拥有跨越语言边界的声音。 教程链接：https://go.openbayes.com/GNWZw

使用云平台: OpenBayes http://openbayes.com/console/signup?r=sony_0m6v

首先点击「公共教程」，找到「OmniVoice：支持 600+ 语言的高质量语音克隆与文本转语音」，单击打开。

页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

在当前页面中看到的算力资源均可以在平台一键选择使用。平台会默认选配好原教程所使用的算力资源、镜像版本，不需要再进行手动选择。点击「继续执行」，等待分配资源。

若显示「Bad Gateway」，这表示模型正在加载中，请等待约 2-3 分钟后刷新页面即可；若显示「运行中」，点击「打开工作空间」。

使用步骤如下：

1.页面跳转后，点击左侧 README.ipynb 文件，点击上方「运行」。

2.运行完成，即可点击右侧 API 地址跳转至 demo 页面。

3.依据需求上传文本和音频文件，生成合成音频文件。