OmniVoice は、次世代 Kaldi（Next-gen Kaldi）として知られる音声技術のオープンソースプロジェクト k2-fsa が公開している、ゼロショット音声合成（TTS）モデルです。拡散言語モデルをベースにした設計で、600以上の言語に対応しています。数秒の音声サンプルから話者の声を再現する「ボイスクローン」と、性別や年齢などの属性を言葉で指定して新しい声を作る「ボイスデザイン」の両方を 1 つのモデルで扱えます。ソースコードと学習済みモデルは Apache 2.0 ライセンスで公開されており、2026年4月に論文とともに公開されました。
主な特徴
- 600以上の言語に対応: 公式は「ゼロショット TTS の中で最も広い言語カバー」をうたっています。約58万時間規模のオープンソース多言語音声データで学習されており、主要言語だけでなく話者の少ない言語も対象に含まれます
- 数秒の音声からボイスクローン: 参照用の短い音声を渡すだけで、その話者の声質を再現した読み上げを生成できます。話者ごとの追加学習は不要です
- 属性指定のボイスデザイン: 性別・年齢・ピッチ・アクセント・方言・ささやき声などを指定して、参照音声なしで新しい声を作れます
- 非言語表現と発音の修正:
[laughter]（笑い声）や[sigh]（ため息）のような記号を文中に入れて非言語表現を加えられます。中国語はピンイン、英語は発音辞書（CMU 辞書）の表記で読み方を直接指定することもできます - 高速な推論: テキストを音響トークンへ直接変換する設計で、公式は RTF 0.025（実時間の約40倍速）を最速値として挙げています。これは公式の計測値で、環境によって変わります
- 幅広いハードウェアで動作: NVIDIA GPU（CUDA）、Apple Silicon（MPS）、Intel Arc GPU（XPU）に対応し、GPU がない環境では CPU でも動かせます。Python のパッケージ
omnivoiceとしてpip install omnivoiceで導入できます
料金
| プラン | 料金 | 主な特徴 |
|---|---|---|
| オープンソース（セルフホスト） | 無料 | Apache 2.0 ライセンスでソースコードと学習済みモデルを公開。商用利用も可能 |
| オンラインデモ | 無料 | Hugging Face Spaces 上でブラウザから試せる |
料金は2026年9月時点の情報です。有料のホスティング API や SaaS 版は確認できませんでした。最新の情報は公式リポジトリをご確認ください。
ソフトウェア自体は無料ですが、自分の PC やクラウドで動かす場合は、GPU などの計算資源のコストは利用者側の負担になります。
メリット・デメリット
✅ メリット
- 日本語や英語だけでなく、商用サービスが手薄な言語でも読み上げ音声を用意できるため、多言語コンテンツの制作範囲が広がる
- 利用料がかからず、ライセンス上も商用利用ができるので、音声を大量に生成する用途でも費用が膨らみにくい
- 手元の環境で完結させられるため、読み上げる原稿や参照音声を外部サービスに送らずに済む
- 参照音声がなくても言葉で声を設計できるので、キャラクターボイスやナレーター役を試作しやすい
⚠️ デメリット
- 公式のマネージドサービスやホスティング API はなく、Python 環境の構築と実行は自分で行う必要がある
- コミュニティ運営のプロジェクトのため、企業向けのサポート窓口や稼働保証はない
- 600以上の言語に対応していても、言語ごとの学習データ量には差があり、品質が一様とは限らない
- 無断のボイスクローン・なりすまし・詐欺などへの利用は明確に禁止されており、他人の声を扱うときは本人の同意など倫理面の配慮が欠かせない
類似サービスとの比較
| サービス名 | OmniVoice との違い |
|---|---|
| XTTS（Coqui） | 同じくゼロショットのボイスクローンに対応するが、対応言語は17言語にとどまる |
| F5-TTS | オープンソースの多言語 TTS だが、対応言語数は OmniVoice より少ない |
| OpenVoice（MyShell） | 声質・トーンの変換に強みがあるが、対応言語は限られる |
| Zonos（Zyphra） | リアルタイム性を重視した多言語 TTS だが、対応言語数では OmniVoice に及ばない |
こんな人におすすめ
- 多言語のナレーションや吹き替え音声を、言語ごとに外注せず自前で用意したい動画制作者・開発者
- 音声アシスタントやゲームのキャラクターボイスに、オープンソースの音声合成を組み込みたい開発者
- 原稿や音声データを外部に出さず、手元の環境で音声合成を完結させたい人
- 多言語 TTS の比較実験やベンチマークを行う研究者
まとめ
対応言語の広さ、ボイスクローンとボイスデザインの両立、商用利用できるライセンスがそろったオープンソースの音声合成として、OmniVoice は選択肢の 1 つになります。一方で、使い始めるには Python 環境の用意が必要で、サポートも付きません。まずは Hugging Face Spaces のデモや公式の Colab ノートブックで自分が使いたい言語の品質を確かめ、納得できたらローカル環境への導入を検討するとよいでしょう。他人の声を扱う場合は、必ず本人の同意を得てから使ってください。