OmniVoice
หน้านี้ของ Soniqo อธิบาย OmniVoice ตาม implementation ใน speech-swift / speech-core ส่วนลิงก์ Hugging Face อยู่ใต้หมายเหตุการใช้งาน
เข้าหน้าในเว็บก่อน
การ์ดหน้าแรกและเมนูเอกสารจะชี้มาที่หน้านี้ก่อน ส่วนลิงก์ไปยัง source model และ bundle ยังอยู่ในหน้านี้
ภาพรวม
| โมเดล | OmniVoice |
|---|---|
| บทบาท | Massively multilingual zero-shot voice-cloning TTS |
| Backend | MLX int8 default bundle; fp16 bundle available |
| Output | 24 kHz mono waveform |
| ภาษา | 600+ languages |
| License | Apache-2.0 upstream family |
| สถานะ | Programmatic speech-swift runtime used by Studio sidecar |
| Source | k2-fsa OmniVoice |
| Swift product | OmniVoiceTTS |
| CLI / runtime | Programmatic runtime; not a primary speech speak engine yet |
การใช้งาน
snippet ด้านล่างตรงกับ API หรือคำสั่งปัจจุบันใน speech-swift
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"
)ลิงก์โมเดล
หมายเหตุ implementation
- 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.