k2-fsa、600言語対応の音声合成「OmniVoice」公開

オープンソースの音声処理フレームワークを開発する研究コミュニティ「k2-fsa」は2026年10月25日、600以上の言語に対応し、わずか数秒の参照音声から声質を再現できる大規模なゼロショット音声合成（Text-to-Speech（テキストから音声を生成する音声合成技術））モデル「OmniVoice」を公開した。GitHubおよびデモサイトにてモデルやコードが無償公開されており、ローカルGPU環境でのWeb UI運用にも対応している。

600言語のゼロショット複製と声質設計機能

OmniVoiceの最大の特徴は、モデルの追加学習（ファインチューニング）を行わずに、マイク録音や音声ファイルから取得した3〜10秒程度の短い音声だけで話者の声質を忠実に再現できる点にある。

主な技術的特徴は以下の通りである。

• ​多言語ゼロショット複製​: 600以上の言語に対応。公式デモページでは日本語を含む102言語の聞き比べサンプルが提供されており、各言語の自然な発音と声質再現を確認できる。
• ​声質設計（Voice Design）​: 参照音声が存在しない場合でも、性別（Gender）、年代（Age）、声の高さ（Pitch）のパラメータを指定することで、好みの新規キャラクター音声をゼロから作成可能。
• ​表現力制御（Fine-Grained Control）​: プロンプトの文章中に [laughter] などのタグを挿入することで、笑い声をはじめとする非言語的な感情表現を音声に付加可能。
• ​言語間クローニング（Cross-Lingual TTS）​: 英語などで録音された参照音声の特徴を保ったまま、日本語の文章を読み上げさせることが可能（ただし母語のアクセントが残る場合があるため、目標言語と同言語の参照音声が推奨される）。

主な機能仕様とローカル導入環境

OmniVoiceが提供する主要機能と環境要件は以下の表の通りである。

項目	OmniVoiceの機能仕様・対応内容	実用上のポイント
対応言語数	600言語以上（デモは102言語に対応）	幅広い地域言語・少数言語での合成を網羅
音声複製手法	ゼロショット音声クローニング	3〜10秒の参照音声のみで追加学習不要
音声設計	性別・年代・ピッチによるVoice Design	参照音声なしで新規声質を作成可能
特殊制御	[laughter] 等のタグ挿入	笑い声など非言語的表現の合成に対応
推論環境	Python 3.11 / PyTorch 2.8.0+cu128	ローカルWeb UI（ポート8001）や一括処理CLIに対応

ローカル環境では、Pythonの仮想環境とPyTorchをセットアップし、pip経由で omnivoice をインストールすることで、ローカルWeb UI（omnivoice-demo）から手軽に音声合成を試行できる。また、長文の自動分割処理や複数GPUを用いたバッチ生成ツールも同梱されている。

クリエイターや日本の開発現場への影響

これまで高品質なゼロショット多言語音声合成は商用クラウドAPIが主流であり、コストやプライバシー、API制限が課題となっていた。OmniVoiceがオープンソースとして提供されたことで、動画の多言語ナレーション、ゲームのNPCボイス、教材読み上げなどのコンテンツ制作をローカルGPU環境で無制限に行える道が開かれた。

商用利用時のライセンス規約や悪用防止（ディープフェイク対策）への配慮は引き続き求められるものの、オープンコミュニティ発の大規模音声基盤として今後の普及と応用が期待される。

引用元：GIGAZINE