🎙️ 零样本声音克隆20 秒样本
20 秒样本
克隆你的专属声音
上传一段短音频，云端 30 秒完成音高、音色、语速、口音分析，建好即用，不走训练队列。
样本采样中… 00:20
音高 · 音色 · 语速 · 口音分析中 68%
Omnivoice
首页
音色库
创建数字人
声音克隆
开发者
我的
Omnivoice
首页
音色库
创建数字人
声音克隆
更多
小米 k2-fsa 开源 OmniVoice 0.8B · 云端在线版
OmniVoice在线版：最快中文AI配音
基于小米 k2-fsa 开源 OmniVoice 0.8B 扩散语言模型（646 语种训练），在英伟达高速 GPU 云基座加持下，无需下载整合包、不配本地环境，即可调用 SOTA 级 AI 配音能力。支持 600+ 语言零样本合成、20 秒极速克隆、RTF 低至 0.1，高并发下探 0.025，最高 40 倍实时生成。OmniVoice在线版还一站式集成 Indextts1、 Indextts2、CosyVoice3.5、Qwen3-TTS等全部最热中文语音合成模型，一个账号=全部中文热门语音合成模型。
模型底座：小米 OmniVoice 0.8B（Qwen3-0.6B Init） · Apache-2.0 开源 · 646 语种 / 58.1 万小时训练 · RTF 0.025 基线
模型介绍OmniVoice在线版
OmniVoice在线版
是什么？
OmniVoice在线版是小米 AI 实验室新一代 Kaldi 团队（k2-fsa）开源的 OmniVoice 零样本 TTS 大模型的云端封装版本。OmniVoice 于 2026 年 4 月随论文 arXiv:2604.00688 正式发布，是目前开源社区中覆盖语种最广、中文理解最强的零样本语音合成底座之一。
核心技术架构
采用单阶段离散非自回归（NAR）扩散语言模型架构，双向 Transformer 主干直接将文本映射至多码本声学 Token，彻底砍掉传统“文本→语义→声学”的两级级联，推理并行度大幅提升。训练阶段引入全码本随机掩码（Full-Codebook Random Masking），加速收敛并提升生成稳定性。
输入文本 / 音素→单阶段 NAR 扩散双向 Transformer→多码本声学 Token→输出24kHz 音频
在线版核心价值
无需下载任何声音克隆软件，浏览器打开 omnivoiceai.net，上传 20 秒短音频即可创建专属语音模型；也可通过文字描述直接“捏”出全新音色（Voice Design）。短视频旁白、粤语短剧、方言内容、课程音频均可批量生成，全流程在在线环境中完成。
0.8B
参数量
主干采用 Qwen3-0.6B 预训练权重初始化，首次在 NAR-TTS 中释放大语言模型的语义理解红利
58.1万小时
训练语料 · 646 种语言与方言
源自 50 个开源数据集清洗降噪，低资源语种动态上采样
0.025 RTF
推理速度 · 40 倍实时
24kHz 高保真输出，OmniVoice在线版常态 RTF≈0.1
0.84%
中文 WER（英文 1.30%）
多音字、专名、拼音纠音原生支持
Apache-2.0
开源协议
代码 GitHub（k2-fsa/OmniVoice）、权重 HuggingFace 全量开放
核心功能
一个平台，装下整套 AI 配音工作流
从零样本克隆到音色设计，从语气微调到高保真输出，全部在浏览器里完成。
多语言与方言零样本克隆
600+ 语种零样本合成，646 语种训练全覆盖；跨语言保音色，中文声线读日文、克隆声说泰语质感不塌。OmniVoice 原生支持 3–10 秒克隆，在线版推荐 20 秒以对抗环境噪声。
Voice Design 音色设计
无需上传音频，文字描述「30 岁男声 / 低音 / 川渝口音 / 松弛」即可生成全新声线，适配游戏 NPC、广播剧角色、品牌旁白。
可控克隆与语气微调
8 维情绪滑块（开心 / 悲伤 / 厌恶 / 惊讶 / 愤怒 / 恐惧 / 忧郁 / 平静）精细调控语气浓度；支持参考原音频或上传参考音频锁定音色基底；
极速模型构建
上传样本后云端 30 秒内完成音高、音色、语速、口音分析，建好即用，不走训练队列。
浏览器即开即用
Windows / macOS / Linux / iPad / 手机浏览器全兼容，无显卡要求，账号登录即用。
24kHz 高保真细节保留
OmniVoice 原生输出 24kHz；在线版通过后端声码器增强，保留呼吸声、唇齿音、自然停顿与情绪起伏，听感接近真人录音。
声音克隆
两步完成声音克隆
从上传样本到开口朗读，最快 1 分钟内完成。
上传或录制语音样本
支持 MP3 / WAV / M4A，推荐 5–60 秒（建议 20 秒），单文件 ≤ 50MB。
- 安静环境正常语速，混合陈述 / 疑问 / 感叹句
- 避开背景音乐与噪底
- 必要时点击「AI 降噪」预处理样本
输入文本，用你的声音朗读
选择克隆声音 → 粘贴文案（支持中文/拼音/英文音素纠错）→ 选择目标语言（可直选粤语、日文、泰语等）→ 点击「转换」，即刻生成。
旁注：OmniVoice 原生 3–10 秒即可克隆，在线版取 20 秒是为带噪样本预留容错空间。
应用场景
一套声模，覆盖全场景配音需求
从个人创作到企业出海，声音资产一次构建、多端复用。
有声书与播客制作
批量产出章节音频，保留稳定声线与自然节奏，大幅降低录制成本。
短视频与自媒体配音
抖音 / B 站 / YouTube 旁白、口播、解说道具，一套声模多平台复用，日更无忧。
在线教育与知识付费
用你自己的声音规模化讲课，减少重复录音，保护嗓子，课程量产效率倍增。
企业品牌与商业应用
建立跨语种统一品牌声线，出海短剧、电商带货、客服播报一键多语言输出。
方言与无障碍内容
粤语、川话、陕话等方言朗读；为视障用户保存亲人声线，制作个性化有声陪伴内容。
为什么选择我们
为什么选择 OmniVoice在线版
模型代差 + 语种覆盖 + 中文理解 + 云原生体验，四重优势一次给齐。
模型代差
小米 k2-fsa OmniVoice 单阶段 NAR 扩散架构，比传统两段级联 TTS 快一个量级，RTF 0.025 基线。
语种最广
646 语种训练，低资源语种 CER<5%，是当前开源零样本 TTS 覆盖面最宽的底座。
中文最懂
Qwen3 初始化，多音字上下文自判，“银行/行走”“重量/重复”不再翻车。
云原生零门槛
不配环境、不占显存，手机浏览器也能跑批量任务。
生态成熟
模型权重 Apache-2.0 免费商用，OmniVoice在线版 API 已被 300+ 平台接入。
常见问题
常见问题 FAQ
关于语言支持、声音克隆、多音字、文件保存与 API 接入的高频问题。
覆盖中英日韩等主流语种，同时搭载 100+ 语种（如泰语、俄语、越南语等）原生配音能力，依托音色跨语言迁移技术，复刻声线切换任意语种仍保留原有音色质感，轻松适配跨境短剧、海外短视频多语言内容生产。
用户评价
创作者们的真实反馈
来自 UP 主、出海运营、有声书制作人与职教讲师的使用体验。
OmniVoice在线版每周帮我省下 10 小时录音时间，粉丝完全分不清 AI 和原声，漫剧批量台词一键搞定。
U
科技区 UP 主B 站
646 语种一个声模打通 5 国配音，品牌声线高度统一，原来外包一周的工作量现在半天就跑完。
出
出海短剧运营跨境电商
20 秒克隆加上语气标签，整本书的角色对话我一个人就能包办，录制流程相当于重做了一遍。
书
有声书制作人内容工作室
克隆自己的授课原声生成课程音频，语气节奏几乎一模一样，嗓子终于能歇一歇了。
师
职教讲师在线教育
首页
声音数字人
声音克隆
配音神器