שיבוט קול בחינם עם OmniVoice: הקול שלכם, על המחשב שלכם

מה זה OmniVoice?

OmniVoice הוא מודל קוד פתוח שהופך טקסט לדיבור, והוא יודע לדבר בקול של מישהו אחר אחרי שהוא שומע קטע קצר ממנו. את המודל פיתחו חוקרים מצוות k2-fsa, והוא שוחרר בגיטהאב ובהאגינג פייס ברישיון Apache-2.0. בפועל זה אומר שאפשר להשתמש בו בחינם, גם בשביל העסק.

כמה מספרים, נכונים ל-21 באוקטובר 2026: לפי ה-README המודל תומך ביותר מ-600 שפות, ובקובץ השפות שלו רשומות 646 שפות עם 581 אלף שעות של הקלטות אימון. לריפו יש 15,291 כוכבים בגיטהאב. יש לו שלושה מצבים: שיבוט קול מהקלטה, עיצוב קול חדש לפי תיאור, וקול אוטומטי שהמודל בוחר לבד.

למי זה מתאים? למי שמקליט קריינות לסרטונים, לפודקאסטים או להדרכות, ונמאס לו להקליט כל משפט מחדש. אתם מקליטים את עצמכם פעם אחת, כמה שניות, ומשם כותבים טקסט והמודל מקריא אותו בקול שלכם.

איך שיבוט קול עובד ב-OmniVoice?

אתם נותנים למודל שני דברים: קובץ שמע קצר של הקול, והטקסט שאתם רוצים לשמוע. ה-README ממליץ על הקלטה של 3 עד 10 שניות, ומזהיר שהקלטה ארוכה יותר מאטה את העבודה ויכולה לפגוע באיכות. אם לא תכתבו מה נאמר בהקלטה, המודל מתמלל אותה לבד עם Whisper.

טיפ אחד מה-README שחשוב במיוחד לנו: ההקלטה צריכה להיות באותה שפה של הטקסט. אם תקליטו באנגלית ותבקשו עברית, הקול ייצא עם מבטא של השפה של ההקלטה. אז לקריינות בעברית, מקליטים בעברית.

ועוד דבר נוח: אפשר לשמור את הקול ששיבטתם כקובץ אחד, ובפעם הבאה לטעון אותו בלי לעבד את ההקלטה מחדש. ככה כל קריינות חדשה מתחילה מאותו קול בדיוק.

איך מתקינים את OmniVoice עם קלוד קוד?

ההתקנה היא התקנה רגילה של ספריית פייתון, אבל לא צריך להיות טכנולוגי בשביל זה. קלוד קוד יכול לעשות את כל השלבים בשבילכם, ואתם רק מאשרים.

שלב 1: נותנים לקלוד קוד את המשימה

פותחים את קלוד קוד בתיקייה חדשה וכותבים לו:

שלב 2: מה קלוד קוד מריץ מאחורי הקלעים

אם אתם רוצים לדעת מה קורה, או להריץ לבד, אלה הפקודות מה-README. במק עם שבב Apple Silicon מתקינים קודם את PyTorch:

pip install torch==2.8.0 torchaudio==2.8.0

ואז את OmniVoice עצמו:

pip install omnivoice

במחשב עם כרטיס מסך של NVIDIA, ה-README נותן פקודת PyTorch אחרת שמתאימה לגרסת CUDA שלכם, ויש גם הוראות לכרטיסי Intel Arc. בהפעלה הראשונה המודל יורד מהאגינג פייס, אז תנו לזה כמה דקות.

שלב 3: משבטים את הקול שלכם

מקליטים 3 עד 10 שניות של דיבור נקי, שומרים כ-ref.wav, ומריצים (או מבקשים מקלוד קוד להריץ):

omnivoice-infer \
    --model k2-fsa/OmniVoice \
    --text "This is my voice." \
    --ref_audio ref.wav \
    --output hello.wav

במקום הטקסט באנגלית כותבים את מה שאתם רוצים שיוקרא, ואם זה בעברית, גם ההקלטה צריכה להיות בעברית.

מעדיפים ממשק עם כפתורים? הפקודה omnivoice-demo --ip 127.0.0.1 --port 8001 פותחת ממשק ווב מקומי לשיבוט ולעיצוב קול. ב-README הדוגמה היא עם 0.0.0.0, אבל זה פותח את הממשק לכל הרשת. במחשב אישי עדיף 127.0.0.1.

איך מעצבים קול חדש בלי הקלטה?

אין לכם הקלטה, או שאתם רוצים קול אחר לגמרי? במצב עיצוב קול כותבים תיאור במקום להעלות קובץ. לפי ה-README אפשר לבחור מין, גיל, גובה קול, לחישה, מבטא אנגלי וניב סיני, ולשלב ביניהם עם פסיקים. הדוגמה מה-README:

omnivoice-infer --model k2-fsa/OmniVoice --text "This is a test for text to speech." --instruct "male, British accent" --output hello.wav

שימו לב להערה ב-README: עיצוב קול אומן רק על סינית ואנגלית. בשפות אחרות הוא יכול לעבוד, אבל התוצאות פחות יציבות. שיבוט מהקלטה הוא המצב הכי יציב של המודל.

צחוק, אנחה והפתעה בתוך משפט

אפשר לשים בתוך הטקסט תגיות של קולות שהם לא מילים, והמודל משמיע אותם. למשל [laughter] לצחוק, [sigh] לאנחה ו-[surprise-ah] להפתעה. הדוגמה מה-README:

[laughter] You really got me. I didn't see that coming at all.

ככה קריינות נשמעת פחות כמו רובוט שמקריא, ויותר כמו בן אדם שמדבר.

למה זה טוב בעסק?

• קריינות לרילס ולסרטוני הדרכה בקול שלכם, בלי לשבת מול מיקרופון בכל פעם
• תיקון מילה אחת שנאמרה לא נכון בהקלטה, בלי להקליט את כל הקטע מחדש
• גרסה באנגלית או בשפה אחרת של אותו תוכן, לקהל מחוץ לישראל
• הודעות קוליות קבועות למענה טלפוני או לאפליקציה, בקול אחיד

והחלק שהכי חשוב למי שעובד עם הקול שלו: הכל רץ אצלכם במחשב. אחרי שהמודל ירד, ההקלטה שלכם לא נשלחת לשום שירות חיצוני, ואין מנוי חודשי.

האם OmniVoice עובד טוב בעברית?

עברית נמצאת ברשימת השפות של OmniVoice, עם הקוד he. אבל כדאי להסתכל על המספרים לפני שבונים על זה: לפי קובץ השפות הרשמי, המודל אומן על 13.4 שעות בלבד של עברית, לעומת יותר מ-206 אלף שעות של אנגלית (נכון ל-21 באוקטובר 2026).

לא בדקתי את איכות השיבוט בעברית. ההמלצה שלי: לפני שאתם מעבירים לזה עבודה אמיתית, תעשו בדיקה קצרה עם כמה משפטים שלכם, ותקשיבו לשמות, למספרים ולמילים לועזיות. אם זה לא מספיק טוב, אנגלית ושפות גדולות אחרות יעבדו הרבה יותר טוב.

חשוב לדעת לפני שמתחילים

• משבטים רק קול שמותר לכם. את הקול שלכם, או קול של מישהו שנתן לכם הסכמה מפורשת. ב-README כתוב במפורש שאסור להשתמש במודל לשיבוט בלי אישור, להתחזות או להונאה.
• צריך מחשב חזק יחסית. ה-README נותן הוראות למחשבי Mac עם Apple Silicon, לכרטיסי NVIDIA ולכרטיסי Intel Arc. אין לכם כזה? אפשר לנסות את הדמו בהאגינג פייס, אבל שם ההקלטה כבר עולה לשרת ולא נשארת אצלכם.
• עברית לא נבדקה. כמו שכתבתי למעלה, יש מעט נתוני אימון בעברית, אז בודקים לפני שמשתמשים.
• מספרים כדאי לכתוב במילים. ה-README ממליץ להמיר ספרות למילים כדי שהמודל לא יקריא אותן ספרה אחרי ספרה.
• אין חיבור מובנה לקלוד קוד. לא מצאתי ב-README שרת MCP. קלוד קוד מפעיל את OmniVoice דרך הפקודות שלו, וזה מספיק לרוב העבודה.