OmniVoice 是一个大规模多语言零样本文本转语音（TTS）模型，支持 600+ 种语言，是目前同类模型中语言覆盖最广的。基于扩散语言模型式架构，生成高质量语音且推理速度极快——RTF 最低 0.025，约 40 倍于实时速度。有论文和在线 Demo，模型权重托管在 HuggingFace，可本地部署或用 Google Colab 在线跑。
三种生成模式：语音克隆给出 3-10 秒参考音频即可克隆音色（跨语言会带参考语言的口音），克隆好的音色可存成 prompt 跨会话复用；语音设计不需要参考音频，直接描述说话人属性（性别、年龄、音高、耳语风格、英语口音、普通话方言如四川话和陕西话）就能捏出一个声音；自动语音则让模型自己挑一个声音。文本里可以内嵌非语言符号（如 [laughter]）增加表现力，也能用拼音或 CMU 音标纠正特定字的读音。
支持 NVIDIA GPU、Apple Silicon、Intel Arc GPU（XPU），批处理推理可跨多 GPU 分布式跑大规模合成任务，FlashInfer 加速可无损提升 2-2.9 倍。提供 web demo、单条推理和批量推理三个命令行工具。注意：模型明确禁止用于未经授权的语音克隆、冒充、诈骗等非法或不道德用途。
