# OmniVoice

Éditeur : Next-gen Kaldi. Poids ouverts. Licence : CC BY-NC.

En bref : 1er sur 16 en prononciation du français.

Page : https://quelleia.com/voix/modeles/k2-fsa-omnivoice/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle de synthèse vocale multilingue en zéro-shot, qui clone une voix à partir d'un court extrait audio et peut aussi créer une voix à partir d'attributs (genre, âge, accent, chuchotement). L'équipe annonce 646 langues et une architecture de type modèle de langage à diffusion, initialisée avec les poids de Qwen3-0.6B. (lu sur https://huggingface.co/k2-fsa/OmniVoice/raw/main/README.md, https://arxiv.org/html/2604.00688v1)

- Sortie : 1er avril 2026 (lu sur la page de l'éditeur, https://arxiv.org/html/2604.00688v1)
- Taille : 0,81 milliard de paramètres (selon Open TTS Leaderboard)

## Langues

- Annoncées par l'éditeur : 646 langues, dont le français.
- Prises en charge selon Open TTS Leaderboard : 646 langues.
- Évaluées par nos sources : français.
- Le français : annoncé par l'éditeur ; évalué, 1er sur 16 en prononciation du français (4,72 %).
- Source des langues annoncées : https://raw.githubusercontent.com/k2-fsa/OmniVoice/master/docs/languages.md

## Ses classements

- Prononciation du français : 1er sur 16, taux d'erreur par mot 4,72 % ; vitesse : RTFx 34 : produit 34 secondes d'audio par seconde de calcul ; clonage de voix : oui. Source : Open TTS Leaderboard, Hugging Face, https://huggingface.co/spaces/hf-audio/open_tts_leaderboard (relevé du 19 octobre 2026, version du 9 octobre 2026).

## Modèles proches

- Prononciation du français : [Fish Audio S2 Pro](https://quelleia.com/voix/modeles/fish-audio-s2-pro/), 2e (5,35 %), juste derrière

## Comment lire ces chiffres

- Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

## Noms dans les sources

- Hugging Face (hf-audio) : k2-fsa/OmniVoice

## Liens

- Page de l'éditeur : https://huggingface.co/k2-fsa/OmniVoice
- L'essayer : https://huggingface.co/spaces/k2-fsa/OmniVoice

## Pages lues

- https://huggingface.co/k2-fsa/OmniVoice/raw/main/README.md (« OmniVoice is a massively multilingual zero-shot text-to-speech (TTS) model supporting over 600 languages. Built on a novel diffusion language model-style architecture »), 17/10/2026
- https://huggingface.co/k2-fsa/OmniVoice/raw/main/README.md (« **Voice Design**: Control voices via assigned speaker attributes (gender, age, pitch, dialect/accent, whisper, etc.). »), 17/10/2026
- https://arxiv.org/html/2604.00688v1 (« which is initialized with the pre-trained LLM weights of Qwen3-0.6B »), 17/10/2026
- https://arxiv.org/html/2604.00688v1 (« arXiv:2604.00688v1 [cs.CL] 01 Apr 2026 OmniVoice: Towards Omnilingual Zero-Shot Text-to-Speech with Diffusion Language Models »), 17/10/2026
- https://raw.githubusercontent.com/k2-fsa/OmniVoice/master/docs/languages.md (« OmniVoice supports **646 languages** with a total of **581k hours** of training data. »), 17/10/2026
- https://raw.githubusercontent.com/k2-fsa/OmniVoice/master/docs/languages.md (« | 180 | French | fr | fra | »), 17/10/2026