Xiaomi lanzó OmniVoice, un modelo de IA abierto capaz de vocalizar textos en prácticamente todos los idiomas y copiar voces.

Xiaomi presentó el módulo de IA abierto OmniVoice

La compañía anunció el lanzamiento del modelo de inteligencia artificial OmniVoice, que convierte texto en voz. Además de sintetizar voces en cientos de idiomas, el modelo puede clonar voces y generar pronunciaciones con ajustes personalizados.

¿Qué hay de nuevo en OmniVoice?
IndicadorDescripciónIdiomasSoporte para más de 200 idiomas, incluidos los raros y de bajo entrenamiento. Incluso con menos de 10 horas de datos, el modelo produce voz «casi en cualquier idioma».En pruebas de calidad en 102 idiomas, la claridad del habla fue comparable a la humana y, en algunos casos, superóla. En 24 idiomas, el modelo superó a varios sistemas comerciales en similitud y claridad.ArquitecturaRed transformadora bidireccional simplificada sin módulos intermedios de predicción de tokens. Esto reduce el tiempo de entrenamiento a un día para 100 000 horas de datos y aumenta la velocidad de inferencia (hasta 40× la velocidad real en PyTorch).Tecnologías• «Ocultamiento aleatorio de códigos acústicos» acelera el entrenamiento.• Conexión con un gran modelo lingüístico durante el preentrenamiento mejora la pronunciación y claridad.

Posibilidades prácticas
1. Clonación de voz

- Generación de habla según las características descritas (edad, género, tono, acento, dialecto).

- Posibilidad de crear susurro y otras variantes estilísticas sin audio de referencia.

2. Procesamiento de grabaciones originales

- Eliminación del ruido y extracción de características vocales limpias incluso desde archivos imperfectos.

3. Gestión de la entonación

- Añadir suspiros, risas y otros matices para un sonido más natural.

4. Corrección precisa de pronunciación

- Ajuste manual de sonidos complejos, por ejemplo caracteres chinos multivozales o nombres propios en inglés.

Conclusiones
OmniVoice representa una alternativa competitiva a los sistemas comerciales existentes de síntesis de voz. Gracias a su diseño sencillo, alta velocidad de entrenamiento e inferencia y amplias posibilidades de personalización, el modelo está listo para integrarse en aplicaciones y servicios al consumidor.