OmniVoice
- Poids ouverts
- Licence : CC BY-NC
- Français annoncé
En bref : 1er sur 16 en prononciation du français.
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 huggingface.co, arxiv.org, le 17/10/2026.
- Sortie
- 1er avril 2026 lu sur la page de l'éditeur
- Taille
- 0,81 milliard de paramètres selon Open TTS Leaderboard
Langues
- Annoncées par l'éditeur : 646 langues, dont le français. Lu sur raw.githubusercontent.com.
- 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 %).
Son classement
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Synthèse vocale
Prononciation du français
1er sur 16taux d'erreur par mot 4,72 %
Vitesse : RTFx 34 : produit 34 secondes d'audio par seconde de calculClonage de voix : oui
Source : Open TTS Leaderboard, Hugging Face · relevé du 19 octobre 2026, version du 9 octobre 2026.
Modèles proches
- Prononciation du français : derrière, Fish Audio S2 Pro (2e, 5,35 %)
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.
D'où vient cette fiche
- Nom dans les sources
- Hugging Face (hf-audio) :
k2-fsa/OmniVoice - Fiche
- Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
- 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
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.