Kaldi 之父 Daniel Povey 的新作，小米团队出品。
OmniVoice — 一个零样本 TTS 模型，支持 600+ 语言，覆盖面直接拉满：
1）单阶段架构，文本直接映射到声学 token，不走两阶段流水线。结构极简但效果反超 MaskGCT、F5-TTS 这些 NAR 前辈
2）用 Qwen3-0.6B 初始化 backbone，NAR TTS
时政
(
twitter.com
)
Kaldi 之父 Daniel Povey 的新作，小米团队出品。
OmniVoice — 一个零样本 TTS 模型，支持 600+ 语言，覆盖面直接拉满：
1）单阶段架构，文本直接映射到声学 token，不走两阶段流水线。结构极简但效果反超 MaskGCT、F5-TTS 这些 NAR 前辈
2）用 Qwen3-0.6B 初始化 backbone，NAR TTS 里第一个成功吃到 LLM 红利的。WER 直接从 2.5% 降到 1.3%
3）24 语言评测，平均 WER 2.85，speaker similarity 0.83。纯开源数据训练，打赢了 ElevenLabs v2 和 MiniMax-Speech
4）0.8B 参数，8 张 H800 训 10 天。性价比离谱
581k 小时多语言数据全部来自开源社区，代码模型也开源了。Povey 当年用 Kaldi 改变了语音识别的游戏规则，这次能否在 TTS 上再来一次。
论文：https://t.co/kV8f5oICVE
代码：https://t.co/I9V6XtsJWu
点击图片查看原图
点击图片查看原图
