X-Voice

Представьте: вы записываете короткий аудиофрагмент на родном языке, а на выходе получаете голос, который говорит на 30 языках — и звучит как вы. Именно это делает X-Voice.

Это open-source система синтеза речи на основе flow matching, заточенная под кросс-языковое клонирование голоса без предварительного обучения на целевом языке — так называемый zero-shot подход. Один голос, тридцать языков. Без дополнительной разметки, без часов записей.

Под капотом — двухэтапный пайплайн инференса, предиктор темпа речи для каждого языка отдельно и собственный датасет XVoice Dataset. Всё это вышло в апреле 2026 года вместе с моделью, демо, Hugging Face Space и бенчмарком, а в мае появился препринт на arXiv.

Запустить можно двумя способами: через Gradio-интерфейс прямо в браузере или через CLI с конфигами в формате TOML. Поддерживаются NVIDIA, AMD, Intel GPU и Apple Silicon — то есть развернуть получится практически на любом железе. Код открыт под MIT License, модели — под CC-BY-NC из-за условий обучающих данных.

Если нужно не просто запустить, а обучить свою версию или воспроизвести бенчмарк — в репозитории есть отдельные гайды по обучению TTS-модели, тренировке предиктора темпа и оценке качества. Всё задокументировано, структура проекта прозрачная.

144 звезды на GitHub за месяц после релиза — это не случайность. X-Voice закрывает реальную задачу, которую раньше решали либо дорогими коммерческими сервисами, либо вообще никак.