OmniVoice Studio官方版是一套免费开源的本地AI语音工作软件，所有语音生成、克隆、转写全部在本地电脑运行，不用上传文件到云端，轻松就能实现语音便携制作。软件使用特别方便，它最大亮点就是能够支持多达六百多种语言和方言，小语种配音能力很强，适合做多语言内容创作 。还有一大亮点就是能够支持零样本声音克隆，只需要三秒左右的人声样本，就可以复刻这个音色朗读新文本，还能手动调整年龄、性别、口音、音调，也可以纯文字凭空生成全新的虚拟人声。软件内置视频自动配音功能，可以分离视频里人声和背景音乐，自动识别说话人，翻译后直接用克隆声音重新配音，还自带有声书编辑器，能导入PDF、EPUB电子书做多角色有声读物，直接导出有声书格式文件，非常好用的配音工具，有需要的朋友快来下载吧！
软件特色
3 秒零样本语音克隆，646 种语言随意切换
只需要一段 3 秒干净音频，就能完整复刻任何人的声线，零样本无需训练，上传素材立刻生成语音。覆盖 646 种语言，不管各国小语种、国内各类方言都能适配，克隆完成后还能跨语言生成配音，用中文样本也能生成日语、英语、俄语旁白。
日常做解说、虚拟主播、有声书都够用，生成的人声自然流畅，没有机械电子音，还支持 A/B 双轨试听对比，方便挑选最合适的音色版本。
自定义声音设计，从零打造专属声线
不用参考音频也能自制全新人声，性别、年龄、口音、音高、语速、情绪、方言全部可调。想做沉稳中年旁白、温柔少女音、厚重播音腔、外国口音台词，拖动参数就能实时预览，调整好的音色一键存入本地声音库，后续项目直接调取，不用反复重新调节。
全链路视频自动配音，本地一键导出成片
支持上传本地视频，也能直接粘贴 YouTube 链接处理，整套流水线全自动完成：语音转录原文、多语种翻译、人声分离、重新配音、封装导出 MP 4。 内置 Demucs 人声分离模型，能把原视频人声和背景音乐、音效分开，完整保留原背景音，只替换配音；搭配 Pyannote 说话人分离，自动识别视频里多个人物，给不同角色分配独立克隆声线，做多人对话视频不用手动分段剪辑。批量队列功能支持一次拖入 50 条视频后台处理，不用守在电脑前等待。
全局实时听写工具，系统热键一键转文字
设置快捷键 ⌘+⇧+Space（Windows 替换对应组合键），任意软件界面都能启动听写，说话实时转文字自动粘贴，浮动窗口无痕隐藏，开会记录、采访录音转文稿、写脚本都很省事。底层搭载 WhisperX 模型，99 种语言精准识别，断句、字词对齐清晰，导出 SRT、VTT 字幕文件直接适配剪辑软件。
使用说明
语音克隆
拖入 3 秒音频 → 复制任何声音。646 种语言，零样本。
声音设计
从头构建新声音——性别、年龄、口音、音高、风格。
视频配音
上传或粘贴 YouTube 链接。转录、翻译、重新配音、导出。
声音库
搜索 YouTube、浏览分类、下载片段、构建你的收藏。
设置 → 模型
15 个模型。一键安装。自动检测你的平台（CUDA / MPS / CPU）。
项目
配音项目、声音配置、生成历史、导出——全部可搜索。
设置 → 日志
实时后端、前端和 Tauri 运行时日志。筛选、刷新、清除。
常见问题
这款产品真的能和ElevenLabs媲美吗？
对于语音克隆和配音，OmniVoice 的确可以胜出——它采用最先进的扩散式 TTS 模型，支持 646 种语言（ElevenLabs 仅支持 32 种）。在大多数应用场景下，两者的质量不相上下。ElevenLabs 的优势在于其完善的云 API 和预制语音库。而 OmniVoice 则在隐私性、成本、语言覆盖范围和可定制性方面更胜一筹。
它能在苹果芯片（M1/M2/M3/M4）上运行吗？
是的。MPS 加速功能会自动检测。针对 Apple 硬件，Whisper 推出了 MLX 优化版本，可实现更快的转录速度。
我需要多少显存？
最低内存要求为 4 GB。内存 ≤ 8 GB 时，TTS 模型会在转录过程中自动卸载到 CPU 上运行。内存 ≥ 8 GB 时，所有操作都会同时在 GPU 上运行。完全没有 GPU？CPU 模式也能运行，只是速度会慢一些（TTS 速度大约慢 3 倍）。
我可以将其用于商业用途吗？
个人及非商业用途免费。商业用途需付费授权——请参阅“授权许可”。企业用户可享受 30 天免费试用。
支持哪些语言？
OmniVoice 模型支持 646 种语言的文本转语音 (TTS)。转录 (WhisperX) 支持 99 种语言。翻译覆盖范围取决于目标语言对。
