自研 AI 数字人与语音模型

Genpio 自己训练数字人与语音模型，跑在自有推理栈上。公开训练语料：OpenSLR SLR94、SLR37、SLR41-44 与 Google FLEURS。

我们没有套用 别人的 AI。 模型是我们自己训练的。

多数 AI 直播软件只是在租来的 API 外面套了一层壳。Genpio 的数字人模型和语音模型是我们自研的，自己训练，跑在自己的推理架构上。所以我们能做到一秒内应答，用一小段样音就克隆出声音，还能用同一个模型同时跑数百场直播。

实时评论响应, 本地化母语人声, 语音库覆盖的语言, 并发直播，同一个模型, 数百

超过 85 种语言，一次训练完成。

谁都可以说自己训练了模型。下面列出的是实际用来训练的数据，每个语料库都标了编号，方便你回源核对。85 种以上的语言在同一轮训练里一起学，其中 85 种以上作为输出语言，上线到了语音库里。

所有数据在同一轮训练里一起学，绝不分开逐个训练。逐个训练会让后一轮覆盖前一轮，最后模型只会说它最后见过的那一种。一份混合语料，一轮训练，一个模型。上面每个编号都是 OpenSLR 官方编号，逐一对照 OpenSLR 索引核对过，不是凭记忆写的，你可以自己去查。完整语音库支持的语言还要更多。

混合数据里的每个语料库，模型卡上都有完整记录：编号、许可证、采样率和时长。

Corpora

Mls

这轮训练里说话人最多的一份语料。它没有带来新语言，这八种模型本来就会说；但有几千位朗读者的录音，每个声音才能保住各自的特点，不至于千人一声。

Multilingual LibriSpeech（SLR94）

英语、德语、荷兰语、法语、意大利语、西班牙语、葡萄牙语、波兰语

Google

整套混合语料里最干净的音频，在录音棚里以 48 kHz 录制，不是从网上抓的。量不大，但每一小时都用在从零教会一门新语言上，而不是给已经会的语言做打磨。

Google 录音棚 TTS（SLR37、41-44）

孟加拉语、爪哇语、高棉语、尼泊尔语、巽他语

Google Indic

混合语料中真正教语言的最大一块：六种印度语言加缅甸语，按同一录音棚标准录制。这是七个独立编号，不是常被写成的连续区间 SLR63-80；其中也没有印地语和旁遮普语，这两种语言来自 FLEURS。

Google 众包录音（SLR63-66、78-80）

马拉雅拉姆语、马拉地语、泰米尔语、泰卢固语、古吉拉特语、卡纳达语、缅甸语

Bible

按小时算，这是整套混合语料里价值最高的一份。模型此前几乎不懂契维语，而这份数据以有声书级的音质，覆盖了大多数引擎从不涉足的西非和中非语言。已对齐的六种语言用了五种，只有埃维语没用。

BibleTTS（SLR129）

契维语（阿桑特与阿夸佩姆）、豪萨语、林加拉语、约鲁巴语

Aishell

这份是给普通话打磨音色，不是教语言。模型的普通话本来就很流利，400 位说话人在安静室内的录音，改变的是声音听起来怎么样，而不是会说什么。

AISHELL-1（SLR33）

普通话

Yoruba

这里最小的一份语料，给 BibleTTS 已经教过的约鲁巴语再补一轮：换一批说话人，录了四十小时录音棚级音频，免得整门语言的发音只由一份语料说了算。

约鲁巴语多说话人 TTS（SLR86）

约鲁巴语

Fleurs

这一层负责广度：每种语言约十小时的平行朗读语音。正是靠它，这轮训练才突破八十五种语言，而不是停在 OpenSLR 语料加起来的二十五种。印地语和旁遮普语也是从这里来的，不是来自录音棚语料。

Google FLEURS

102 种语言，覆盖并扩展了上述全部

在 OmniVoice 架构上自主训练，权重归我们所有。

Genpio Voices 是我们自己在 OmniVoice 架构上训练的。OmniVoice 是一种基于音频码本的语音架构，底座是 Qwen3-0.6B 语言模型。两者都采用 Apache-2.0 许可，这一点我们直接写明，不暗示架构是我们发明的。我们训练的是模型本身：参数在这套架构上从随机初始化开始训练，没有继承任何第三方模型权重。语料我们自己挑，混合方案我们自己设计，训练我们自己跑，训练出的权重归我们所有，拥有完整的商业使用权，不需要再找任何一方重新谈授权；Qwen 和 k2-fsa 仍保留各自成果的著作权。我们不向任何供应商租用模型，模型跑在我们自己的 GPU 上，从不经过任何第三方 API。

权重归我们所有

模型卡公开托管在我们域名之外，可自行核对：huggingface.co/GuidenAI/genpio_voice

个公开语料库, 小时语料合计, 种语言, 轮训练

全部, 教会新语言, 补充说话人, 音色打磨, 拓展广度

已截取

条形长度为对数刻度。数字为可用原始时长，尚未应用按语言的上限。

语料规模不等于训练占比。Multilingual LibriSpeech 的音频量大约是混合语料里最小一份的 1,250 倍，按语言设置的上限就是为了抹平这个差距，让真正需要从头学的语言不被本来就流利的语言淹没。

模型怎么训练、怎么授权

是的，而且我们会把话说具体。Genpio Voices 基于 Apache-2.0 许可的 OmniVoice 架构（底座是 Qwen3-0.6B），从随机初始化开始由我们自己训练。它不是在别人的检查点上微调出来的：没有继承任何第三方模型权重，公开的模型卡也带着 trained-from-scratch 标签。训练语料由我们自己挑选（OpenSLR SLR94、SLR37、SLR41-44、SLR63-66、SLR78-80、SLR86、SLR129、SLR33 以及 Google FLEURS，60 种以上的语言在一次训练中完成），配比由我们自己设计，训练也由我们自己跑。这里说得精确些，因为两方面都能核实：我们拥有自己训练出来的权重，并在上游架构永久有效的 Apache-2.0 授权之下，享有全部商用权利，没有使用领域限制、没有收入上限，也没有需要跟谁重新谈的许可；同时 Qwen 和 k2-fsa 保留他们自己成果的著作权。我们不向任何供应商租用模型，也不转售第三方的语音合成。一切都跑在我们自己的推理栈上，服务链路里没有任何第三方 API，所以延迟、成本和质量都攥在我们自己手里，这是转售商做不到的。模型卡公开在 huggingface.co/GuidenAI/genpio_voice，以上每一条都不用只听我们一面之词。

租来的 AI 有天花板，自己的没有。

训练数据用了什么、许可证是什么，上面都列清楚了。下面逐项对比：权重握在自己手里，和靠租用获得同样能力的工具相比，到底有什么不同。

套壳工具

Genpio

Rows

Cost

按分钟付费给供应商，每多开一场直播，账单就多一截

推理是我们自己的，多开直播不会让成本成倍上涨

Latency

延迟是多少，全看供应商当天给你什么

延迟由我们自己调，精细到每一帧

Quality

效果出了问题，只能提工单，然后慢慢等

效果出了问题，我们直接在模型里改

Scale

一次只能开一场，离触发限流、直播中断只有一步之遥

第一百场并发直播，不用向谁申请，因为 GPU 是我们自己的

模型自己训练，才能按你的需求改

你的形象，实时生成。

克隆你本人的样貌，也可以直接用品牌主播。口型逐帧生成，不是拿片段拼接，所以嘴型跟着话走，而不是追着话跑。

一小段样音，还原你的声音。

克隆出的声音保留你的语速和温度。600 多种本地化音色，报价格、念名字、抖包袱都像母语者在说，不是在念译文。

对你的商品库了如指掌。

导入商品、价格、常见问题和卖点。主播回答准确、不跑题，观众追问也稳得住。

所有平台，同时开播。

TikTok、YouTube、Shopee、Instagram 等平台，在一个工作台里并行直播。

一条评论，一秒内变成一笔订单

四个环节，一个闭环，直播不停，它就一直转。

端到端，1 秒以内

这条回答又会引出下一条评论，循环就此重新开始。

聆听

评论、提问和互动，从每一个已连接的平台同时汇入。

理解

对照商品库、价格和品牌口吻，读出评论里的意图、情绪和购买信号。

发声

语音模型用你克隆的声音作答，观众用哪种语言打字，就用哪种语言回。

呈现

数字人模型逐帧生成口型对齐的画面，直接推流上线。

让 AI 助手帮你完成直播设置。

Genpio 支持 MCP，也就是 AI 客户端连接外部工具用的协议。只需连接一次，助手就能帮你开通账号、选好套餐、写话术、填好商品库。第一场直播聊几句就能准备好，不用折腾一下午。

Chat

任意 MCP 客户端

帮我把今晚的 Genpio 直播设置好，再加这三款商品。

请打开这个链接并确认验证码 4F2C-91KD，剩下的交给我。

• 账号已连接
• 套餐已选定，支付链接已就绪
• 开场话术已写好并保存
• 已从你的链接导入 3 款商品

靠得住的基础设施

企业级安全

由美国特拉华州注册公司 GuidenAI Inc. 运营，部署在 Amazon Web Services 上，并由 Cloudflare 提供防护。传输用 TLS 1.3，存储用 AES-256，声音克隆没有本人授权就不会运行。所有安全措施都列在我们的安全页面上。

查看安全页面

99.9% 在线率 SLA

这是有多区域部署和自动故障切换兜底的承诺值，不是口号。通过全球边缘节点分发，直播直接关系到营收时，延迟也稳得住。

开放 API 与集成

把 Genpio 接进你的 CRM、OMS、分析和门店系统。API 文档公开，不需要密钥就能查阅。

查看 API 文档

专属支持

优先对接上线、专业培训，还有一支和你一起对结果负责的客户团队。