OmniVoice
この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある OmniVoice を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。
まずサイト内ページへ
ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。
概要
| モデル | OmniVoice |
|---|---|
| 役割 | Massively multilingual zero-shot voice-cloning TTS |
| バックエンド | MLX int8 default bundle; fp16 bundle available |
| 出力 | 24 kHz mono waveform |
| 言語 | 600+ languages |
| ライセンス | Apache-2.0 upstream family |
| 状態 | Programmatic speech-swift runtime used by Studio sidecar |
| ソース | k2-fsa OmniVoice |
| Swift プロダクト | OmniVoiceTTS |
| CLI / ランタイム | Programmatic runtime; not a primary speech speak engine yet |
使い方
以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。
import OmniVoiceTTS
let model = try await OmniVoiceTTSModel.fromPretrained()
let pcm = try model.generate(
text: "A new sentence in the reference speaker's voice.",
referenceAudio: URL(fileURLWithPath: "reference.wav"),
referenceText: "This is the reference voice.",
language: "en"
)
モデルリンク
実装メモ
- Download repairs incomplete caches by checking the backbone, tokenizer files, and audio_tokenizer model before loading.
- Generation iteratively unmasks eight acoustic codebooks with classifier-free guidance.
- The runtime combines a bidirectional Qwen3 backbone with a Higgs-audio v2 codec encoder/decoder.
- Optional instructions cover restricted style controls such as accent, age, gender, pitch, and whisper.