Xiaomi spustila OmniVoice – otevřený model umělé inteligence, který dokáže převádět texty do řeči téměř v jakémkoli jazyce a kopírovat hlasy.

Xiaomi představila otevřený AI modul OmniVoice

Společnost oznámila spuštění modelu umělé inteligence OmniVoice, který převádí text na řeč. Kromě syntézy hlasu ve stovkách jazyků je model schopen klonovat hlas a generovat výslovnost s uživatelskými nastaveními.

Co je nového v OmniVoice?
UkazatelPopisJazykyPodpora více než 200 jazyků, včetně vzácných a málo trénovaných. I při méně než 10 hodinách dat model produkuje řeč „přibližně na jakémkoli jazyce“.KvalitaV testech na 102 jazycích byla srozumitelnost řeči srovnatelná s lidskou a v některých případech ji převyšovala. Na 24 jazycích model překonal několik komerčních systémů co do podobnosti a srozumitelnosti.ArchitekturaZjednodušená obousměrná transformerová síť bez mezilehlých modulů pro předpovídání tokenů. To zkracuje dobu tréninku na jeden den na 100 000 hodin dat a zvyšuje rychlost inference (do 40× reálného času v PyTorch).Technologie• „Náhodné skrývání akustických kódů“ – urychluje trénink. • Připojení velkého jazykového modelu při předtréninku zlepšuje výslovnost a srozumitelnost.

Praktické možnosti
1. Klonování hlasu

- Generování řeči podle popsaných charakteristik (věk, pohlaví, tón, accent, dialekt).

- Možnost vytvoření šepotu a dalších stylistických variant bez referenčního audia.

2. Zpracování původních nahrávek

- Odstranění šumu a extrakce čistých hlasových charakteristik i z nedokonalých souborů.

3. Řízení intonace

- Přidání dýchacích zvuků, smíchu a dalších nuancí pro přirozenější zvuk.

4. Precizní korekce výslovnosti

- Ruční nastavení složitých zvuků, např. vícehlavých čínských znaků nebo anglických vlastních jmen.

Závěry
OmniVoice představuje konkurenceschopnou alternativu existujícím komerčním systémům syntézy řeči. Díky jednoduchému designu, vysoké rychlosti tréninku a inference a širokým možnostem přizpůsobení je model připraven k integraci do spotřebitelských aplikací a služeb.