现在就听： 声音演示 会在你的浏览器里现场运行 Miro 和 Dii——挑一种语言， 输入一个句子，然后聆听。无需安装，无需服务器。
人们记住一个助手的声音，胜过记住它的名字。所以，我们与 OpenVoiceOS 合作的核心问题很实际：在每一种语言里，这个助手应该听起来像谁？
答案是 Miro（男声）与 Dii（女声）——两个贯穿 OpenVoiceOS 所支持的每一种语言的声音身份。一个在里斯本配置了助手、之后又切换到德语的用户，应该听到同一个熟悉的说话者。一个品牌声音，所有语言，归社区所有。
一个身份，多种语言
获得多语言声音的惯常做法，是用许多种语言一次性训练单个模型。它管用，但往往会把结果抹糊：口音在语言之间渗透，发音变得含糊，声音失去了母语者的那份清晰。
我们选择更难的路。对每一种语言，我们都构建一个 单语 模型——一个模型，一种语言，被训练来把那一种语言做好。把它们联系在一起的窍门是 声音克隆：每个单语的 Miro 模型都从同一个源身份克隆而来，Dii 也是如此。结果是一个按语言划分的模型家族，它们各自都像母语者一样说话，却全都共享同样的音色、同样的性格、同样的”Miro 感”或”Dii 感”。你得到的是母语级的发音 以及 一个单一可辨识的身份，而不必用其中之一去换另一个。
这些模型用 phoonnx 训练和提供服务，那是我们开放的 TTS 框架——基于 VITS，导出为 ONNX，仅用 CPU。这些声音完全离线运行；没有云，没有 API 密钥，没有数据离开你的硬件。在 OpenVoiceOS 内部，ovos-tts-plugin-phoonnx 插件负责获取并加载它们。要了解完整的硬件与架构来龙去脉，请看 能在土豆上运行的 TTS。
使这一切成为可能的 G2P 研究
把一门语言说好，不仅仅关乎声音——它关乎知道书写 本该 如何发音。那正是 字素转音素（G2P） 转换的职责：把书面文本变成模型实际发出的音素序列。我们承接的每一种新语言，都带着它自己的 G2P 研究，而大量真正的工作就存在于那份研究之中。
phoonnx 在这里刻意保持灵活。它可以驱动一整套音素化器——eSpeak、Gruut、Epitran、基于模型的 ByT5 G2P，以及在通用引擎力有不逮之处使用的特定语言工具。这直接连接到我们更广泛的语音学技术栈：我们的 正字法转 IPA 研究 以及我们为葡萄牙语族构建的 葡语系音素化器 都服务于同一个目标——为那些大型 TTS 供应商从未费心仔细建模的语言提供准确的 IPA。当一门语言没有好用的现成音素化器时，那个空白 就是 项目本身。我们先做拼写到声音的研究，然后声音才随之而来。
为每一种被请求的语言提供两个模型
这就是具体的承诺，也是这场合作的核心：对每一种有人请求的语言，我们都会构建两个 TTS 模型——Miro 和 Dii。 不是一张”某天也许”的路线图；而是一项长期承诺。请求一种语言，这对通用声音就会来到它面前。
而且我们指的是 每一种 语言，不只是那些让人舒适、在商业上显而易见的。世界上缺失的声音，很少是那些拥有一亿使用者的语言——它们是那些 濒危和少数族群语言，被主流 TTS 悄悄忽视，因为市场太小、不值一顾。而那些恰恰正是我们想要触及的语言：这些社区从未拥有过一个可以称之为自己的高质量合成声音，也没有理由指望某个硅谷供应商会去提供。
这不是一句留待日后兑现的承诺。截至撰写本文时，Hugging Face 上的 phoonnx TTS 模型合集 已列出 13 种至少拥有一个已发布声音的语言，其中 8 种——巴斯克语、阿拉伯语、欧洲葡萄牙语、阿斯图里亚斯语、阿拉贡语、弗里西语、奥克语和哥伦比亚西班牙语——已经同时拥有 Miro 与 Dii。
开放且自托管
这些声音是 自由开源的，离线且自托管 运行，因此你说的话不会离开你的硬件；而且整个技术栈——引擎、音素化器、G2P 研究、训练好的声音——都是开放的，供一个社区自行取用并长久保有。
如果你的语言还不在列表中，那并不是一扇关上的门——那是一个等待被提出的请求。