OmniVoice-anmeldelse: Vi testede den open source-rival til ElevenLabs (600+ sprog)

OmniVoice-anmeldelse: Vi testede den open source-rival til ElevenLabs (600+ sprog)

Vi installerede OmniVoice v0.1.5 fra k2-fsa på et RTX 4090-grafikkort i sidste uge, fodrede det med et 6-sekunders klip af en engelsk stemme og bad det læse et afsnit op på tre sprog. Kold start: cirka 14 sekunder inklusive indlæsning af modellen. Varme kørsler bagefter? Cirka RTF 0,03, hvilket svarer til næsten 30 gange realtid. Den korte version af denne anmeldelse: Ja, dette open source-projekt er et reelt open source-alternativ til ElevenLabs for en bestemt type bruger, og nej, det vil ikke erstatte en poleret cloud-API for alle. Lad os dykke ned i detaljerne.

Vigtigste pointer:

• OmniVoice er en gratis TTS-løsning under Apache-2.0-licensen fra k2-fsa, der dækker over 600 sprog med zero-shot-stemmekloning.
• I vores test opnåede det en RTF på ~0,03 på et RTX 4090; cirka 8 GB VRAM er nok til at køre det.
• Det slår ElevenLabs på sprog (646 mod ~32), pris (0 $ mod 5–330 $/md.) og privatliv, men ikke på polering eller realtidsstreaming.
• Bedst til dubbing, on-premise-arbejde og sprog med få ressourcer; spring det over, hvis du har brug for konversationsagenter med under 300 ms respons tid.

Hvad er OmniVoice (og hvorfor betyder det noget)?

OmniVoice er en open source tekst-til-tale-model under Apache-2.0-licensen fra k2-fsa, forskerholdet bag Kaldi og k2. Det er en TTS-model baseret på diffusions-sprogmodeller med 0,6 milliarder parametre, der kører lokalt, dækker over 600 sprog og kloner stemmer via zero-shot-teknik. Det betyder noget, fordi vi for første gang har en genuint gratis lokal model, der kommer tæt nok på en betalt cloud-tjeneste til, at kompromiset er reelt og ikke bare teoretisk.

Repository'et (github.com/k2-fsa/OmniVoice) har omkring 7.100 stjerner, og den seneste udgivelse er v0.1.5 fra den 28. april 2026. Under motorhjelmen er den finjusteret fra Qwen3-0.6B-Base og outputter lyd ved 24 kHz. Hvis du har læst vores oversigt over de bedste AI-stemmeværktøjer, så tænk på OmniVoice som den selvhostede ende af spektret – det valg, du træffer, når dataene ikke må forlade dine servere.

K2-fsa-baggrunden er den del, som de fleste anmeldelser overser. Dette er ikke et weekendprojekt fra en anonym konto. Det er samme arv, der har formet open source-talegenkendelse i over et årti, hvilket er en stor grund til, at kvaliteten er, hvor den er, så tidligt i udviklingen.

OmniVoice-funktioner ved et øjekast

OmniVoice pakker de funktioner, du ville forvente af en betalt platform, ind i en model, du downloader én gang. De vigtigste tal, hentet fra deres HuggingFace-modelkort: 646 sprog, zero-shot-kloning fra et referenceklip på ~3 sekunder og en RTF helt ned til 0,025, hvilket er omkring 40 gange hurtigere end realtid.

Her er hvad du rent faktisk får:

• Stemmekloning fra et kort klip, zero-shot, uden træning pr. stemme.
• Stemmedesign baseret på attributter som køn, alder, tonehøjde, dialekt eller accent, endda en hviske-tilstand.
• Fin kontrol med ikke-verbale symboler og udtalekorrektion for svære navne.
• Tre grænseflader: En Gradio web-UI (omnivoice-demo), en Python-API med tre genereringstilstande og en CLI (omnivoice-infer).
• Hastighed: Batch-RTF på 0,022, hvilket genererer cirka 60 sekunders lyd på omkring 1,3 sekunder.

Når det gælder kvalitet, rapporterer OmniVoice en taler-ligheds-score (SIM-o) på 0,830 sammenlignet med ElevenLabs' 0,655 på flersprogede tests, og en ordfejlrate på kun 0,84% på Seed-TTS-kinesisk datasættet, hvilket slår både ElevenLabs v2 og MiniMax på den benchmark. Med ~2,5 millioner downloads om måneden på HuggingFace stress-tester mange mennesker disse påstande.

Hvad vi så, da vi kørte OmniVoice

Vi ville have rigtige tal, ikke blot påstande fra repository'et, så vi testede det selv. Vi kørte pip install omnivoice på et RTX 4090 (24 GB) i juni 2026, hentede en ren 6-sekunders engelsk referenceoptagelse og genererede et 60-sekunders afsnit på engelsk, tyrkisk og arabisk ud fra den samme ene reference.

Kold start, inklusive første indlæsning af modellen, tog cirka 14 sekunder. Derefter landede varme batch-kørsler omkring en RTF på 0,03, altså cirka 30 gange realtid på vores maskine. Det er en smule langsommere end repository'ets fremhævede 0,025, men tæt på, og mere end hurtigt nok til batch-dubbingarbejde. VRAM-forbruget holdt sig komfortabelt under, hvad 24 GB-kortet kunne levere; modelkortets anbefaling på ~8 GB holdt stik.

Kvalitetsmæssigt kom engelsk og tyrkisk tilbage rent og naturligt, hvor den klonede klangfarve var tydeligt genkendelig fra en seks-sekunders prøve. Arabisk var solidt på korte sætninger, men prosodien blev lidt flad på længere stykker – forståeligt, men ikke lige så udtryksfuldt. En faldgrube værd at nævne: Du bør sende ref_text (en transskription af dit referenceklip) med for at opnå den bedste kloningsnøjagtighed. Undlader du det, drifter stemmeligheden. Da vi prøvede det med transskriptionen, sprang ligheden mærkbart i vejret.

Det er den type resultat, der gør OmniVoice værd at se nærmere på for flersprogede pipelines, bare med åbne øjne for de ru kanter.

OmniVoice vs. ElevenLabs: Hvor forskellige er de?

OmniVoice og ElevenLabs løser det samme problem fra hver sin ende. ElevenLabs er en poleret cloud-API med et stort bibliotek af forudindstillede stemmer og lav streaming-latens; OmniVoice er en gratis lokal model med 20 gange større sprogdækning og nul omkostninger per tegn. Det rigtige valg afhænger af, om du værdsætter kontrol og privatliv eller bekvemmelighed og polering.

Hvis du beregner omkostningerne ved en stemmestack til en AI-stemmeagent, ændrer denne tabel regnestykket hurtigt, især i stor skala, hvor ElevenLabs' fakturering per tegn løber op (vi gennemgik det i vores guide til prisfastsættelse af stemmeagenter). Den ærlige dom: ElevenLabs er mere konsistent og lettere; OmniVoice er billigere, mere privat og langt mere flersproget.

Hvordan sammenligner OmniVoice sig med andre open source TTS-modeller?

OmniVoice er ikke den eneste open source-konkurrent, og det vinder ikke i alle kategorier. Det har den bredeste sprogdækning med lang afstand, men Chatterbox vinder blinde tests på engelsk, Fish Audio topper den uafhængige EmergentTTS-Eval-leaderboard, og Kokoro er hurtigere, hvis du ikke har brug for kloning. Her er det ærlige overblik.

De fleste af disse kører med 4–8 GB VRAM i fp16, så hardwaren er ikke den afgørende faktor – use caset er. Vi holder den løbende liste opdateret i vores oversigt over de bedste AI-stemmeværktøjer.

Hvornår bør du egentlig bruge OmniVoice?

OmniVoice skinner, hvor sprogbredde, omkostninger eller datakontrol vejer tungere end behovet for en poleret cloud-API. Det er en arbejdshest til batch-opgaver, ikke en realtids konversationsmotor, så match det til opgaver, hvor du genererer lyd på forhånd eller kører ting på din egen hardware.

• Video-dubbing til dusinvis af sprog fra én referencestemme, AI-video-dubbing-workflowet, hvor pris per tegn ville være brutal.
• Flersproget IVR og TTS til stemmeagenter, stemmelaget, der føder en restaurant-stemmeagent eller den type system, der erstatter call center-stemmeagenter.
• Lydbøger i lange batch-kørsler, hvor RTF betyder mere end latens.
• Tilgængelighed og skærmlæser-oplæsning på sprog, som cloud-leverandører springer over.
• Sprog med få ressourcer, som ElevenLabs simpelthen ikke dækker.
• On-premise og HIPAA-følsomt arbejde, hvor lyd ikke må røre en tredjeparts server.

Det sidste punkt er den stille killer-feature. For en sundheds- eller juridisk klient er "lyden forlader aldrig vores maskine" ikke en nice-to-have, det er hele årsagen til, at en cloud-TTS bliver fravalgt.

OmniVoice fordele og ulemper (inklusive hvad det IKKE er til)

OmniVoice fortjener sine stjerner, men det er ikke en plug-and-play-erstatning for ElevenLabs for alle teams. Fordelene handler om frihed og bredde; ulemperne handler om polering, latens og det operationelle besvær ved at drive sin egen model.

Fordele:

• Gratis under Apache-2.0, ingen fakturering per tegn, ingen begrænsninger.
• 646 sprog, herunder nogle som ingen store cloud-leverandører rører ved.
• Kører fuldt lokalt, dine data bliver hvor de er.
• Stærk flersproget kloningskvalitet (SIM-o 0,830) fra et 3-sekunders klip.
• Hurtig batch-gennemstrømning (RTF ~0,03 i vores test).

Ulemper, de ærlige begrænsninger:

• Ikke bygget til konversationer i realtid med under 300 ms svartid.
• Mindre poleret og konsistent end top kommercielle stemmer som ElevenLabs.
• Ingen administreret support eller SLA, du er henvist til GitHub-issues.
• Kræver et GPU (~8 GB VRAM); CPU-kørsel er cirka 3 gange langsommere.
• Mindre bibliotek af forudlavet stemmer end ElevenLabs' katalog.
• Samtykke og licensering for klonede stemmer er dit juridiske ansvar, ikke platformens.

Hvis dit produkt har brug for øjeblikkelige, polerede svar inde i et live telefonopkald, er OmniVoice det forkerte værktøj i dag. Hvis du genererer lyd i batches, på tværs af 600+ sprog, på din egen hardware, er det svært at slå til prisen gratis.

Sådan kommer du i gang med OmniVoice

At få OmniVoice til at køre kræver én installationskommando og et par linjer Python, ingen konto, ingen API-nøgle, ingen opsætning af fakturering. Det er den praktiske gevinst ved en open source-model: Du går fra nul til en klonet stemme på få minutter, og intet af det, du genererer, forlader din maskine.

# Install (GPU build, CUDA 12.8)
# pip install omnivoice
# pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 \
#   --extra-index-url https://download.pytorch.org/whl/cu128

from omnivoice import OmniVoice

model = OmniVoice.from_pretrained("k2-fsa/OmniVoice", device_map="cuda:0")

audio = model.generate(
    text="Hello, this is a test of zero-shot voice cloning.",
    ref_audio="ref.wav",                       # ~3-6s reference clip
    ref_text="Transcription of the reference audio.",  # boosts clone fidelity
)
# audio -> np.ndarray at 24 kHz

Modeller hentes automatisk fra HuggingFace ved første kørsel. Vil du helst undgå at skrive kode? Start Gradio UI'en med omnivoice-demo, eller batch-behandl filer med CLI'en omnivoice-infer-batch. Fuld installationsvejledning findes i GitHub-repository'et.

Ofte stillede spørgsmål

Er OmniVoice gratis at bruge kommercielt?

Ja. OmniVoice udgives under Apache-2.0-licensen, hvilket tillader kommerciel brug uden abonnement, uden gebyrer per tegn og uden brugsbegrænsninger. Du kan køre det på din egen hardware til kunde arbejde eller interne produkter. Husk blot, at enhver stemme, du kloner, har sine egne forpligtelser regarding samtykke og licensering, adskilt fra modellens licens.

Hvor mange sprog understøtter OmniVoice?

OmniVoice understøtter 600+ sprog, med 646 citeret på dets modelkort, alt sammen via zero-shot flersproget syntese. Det er cirka 20 gange ElevenLabs' ~32 sprog. Bredden er dens enkelt største fordel, da den dækker sprog med få ressourcer, som store kommercielle cloud-TTS-leverandører slet ikke tilbyder i dag.

Er OmniVoice faktisk lige så godt som ElevenLabs?

Det afhænger af, hvad du måler. OmniVoice vinder på sprog (646 mod ~32), pris (0 $ mod 5–330 $/md.), privatliv og flersproget taler-lighed (SIM-o 0,830 mod 0,655). ElevenLabs vinder på polering, konsistens, realtids streaming-latens, sit store bibliotek af forudindstillede stemmer og kommerciel support. Til batch-flersproget arbejde er OmniVoice genuint konkurrencedygtigt; til live, polerede stemmer fører ElevenLabs stadig.

Hvilket GPU har jeg brug for at køre OmniVoice?

Cirka 8 GB VRAM i fp16 er nok til komfortabel brug, og modellen kører fint på kort som det RTX 4090, vi testede. Du kan køre det kun på CPU, men forvent cirka 3 gange langsommere syntese. Til produktions-batch-workloads anbefaler k2-fsa 16 GB system-RAM sammen med et GPU med 8 GB eller mere.

Kan OmniVoice klone en stemme?

Ja, OmniVoice udfører zero-shot-stemmekloning fra et referenceklip på helt ned til 3 sekunder, uden krav om træning pr. stemme. For den bedste nøjagtighed skal du sende en ref_text-transskription af klippet sammen med lyden. I vores test forbedrede tilføjelsen af transskriptionen mærkbart, hvor tæt outputtet matchede den oprindelige taler.

Er OmniVoice godt nok til produktions-stemmeagenter?

Som TTS-laget til dubbing, IVR-prompts eller enhver forudgenereret lyd, ja, så er det produktionsklar. Som den live stemme i en realtids konversationsagent, der har brug for under 300 ms svartid, ikke i dag. Batch-RTF er hurtig, men streaming-latens er ikke dens styrke. Brug det, hvor du genererer lyd før interaktionen.

Kører OmniVoice fuldt offline og on-premise?

Ja. Efter den indledende download af modellen fra HuggingFace kører OmniVoice udelukkende på din egen maskine uden at sende data til nogen ekstern server. Det gør det til et stærkt valg til HIPAA-følsomme, juridiske eller air-gappede miljøer, hvor en cloud-TTS-API ville blive udelukket af compliance-krav.

Hvordan sammenligner OmniVoice sig med Chatterbox eller Fish Audio?

Hver fører en anden kategori. Chatterbox-Turbo (Resemble AI) vinder blinde tests på engelsk kvalitet, men er kun engelsk. Fish Audio S2 Pro topper den uafhængige EmergentTTS-Eval-leaderboard med udtryksfuldt output på tværs af 80+ sprog. OmniVoices fordel er den enorme sprogdækning på 646 samt zero-shot-kloning, hvilket gør det til valget, når bredde og on-premise-brug betyder mest.

Dommen

OmniVoice er det mest troværdige open source-alternativ til ElevenLabs, vi har testet, og det er gratis. Efter at have kørt v0.1.5 selv, er anbefelingen enkel: Vælg OmniVoice, hvis du har brug for bred sprogdækning, on-premise privatliv eller nul omkostninger til batch-lydarbejde, og hold fast i en cloud-API, hvis du har brug for polerede, realtids, konversationsbaserede stemmer i dag.

• Gratis og open under Apache-2.0, ingen fakturering per tegn.
• 646 sprog og zero-shot-kloning, langt ud over ElevenLabs.
• Lokal og privat, ideel til on-premise og compliance-bundet arbejde.
• Ikke til live samtaler med under 300 ms respons, det er stadig en cloud-opgave.

Hvis du bygger en flersproget stemme- eller dubbing-pipeline og har brug for hjælp til at vælge den rigtige stack, så få en gratis konsultation, det er den slags, vi opsætter for kunder hver måned.