OpenVoice: генератор звука — что умеет и что нужно для запуска

OpenVoice — это генератор речи с открытым кодом от команды MyShell. Он решает задачу text-to-speech и, по описанию авторов, относится к классу аудиофундаментальных моделей. Основной сценарий — синтез голоса с возможностью переноса тембра на основе образца, без дополнительного обучения под конкретного диктора.

Что умеет

Авторы описывают OpenVoice как модель для клонирования голоса и zero-shot text-to-speech. Это означает, что система может воспроизводить текст голосом, характеристики которого задаются коротким образцом речи. В репозитории проект помечен метками text-to-speech, tts, voice-clone и zero-shot-tts.

Модель опубликована в двух местах: репозиторий с кодом и страница весов OpenVoiceV2 на Hugging Face. Общий объём файлов весов — 0,1 ГБ, самый большой отдельный файл также занимает 0,1 ГБ.

Что нужно для запуска

Код написан на Python. Репозиторий создан в ноябре 2023 года, последнее изменение кода датировано апрелем 2025 года. Лицензия кода — MIT, лицензия весов — MIT. Это разрешает использование и модификацию при сохранении условий лицензии.

Требования к аппаратному обеспечению, объёму оперативной памяти или конкретной версии Python авторы в паспорте не указывают.

Кому подойдёт

OpenVoice может быть полезен тем, кто работает с синтезом речи и хочет иметь доступ к исходному коду и весам модели. Открытая лицензия MIT позволяет встраивать модель в собственные проекты и исследовательские пайплайны.

Проект вряд ли подойдёт тем, кто ищет готовое приложение с интерфейсом: в паспорте указаны только репозиторий, страница модели и исследовательский сайт. Также стоит учитывать, что авторы не приводят измеренных показателей качества синтеза или требований к вычислительным ресурсам.

OpenVoice — это открытая кодовая база и набор весов для синтеза речи с переносом голоса. Оценить практическую применимость можно после запуска на собственном оборудовании и проверки на конкретных задачах.