Синтез речи - xVibeNot

omni voice эт только озвучка, отделять аудио, липсинк, подставлять обратно - это все отдельно чем-то делать

Не пробовал пока, для этой задачи нужно гораздо больше шагов, чем просто озвучить текст, это если с lip sync делать и сохранять голос каждого спикера.
Если просто распознать текст и озвучить на русском, то использую genvoice.ru

Уже есть статья и пост в тг с примерами

Планирую собрать сервис для работы с синтезированной речью (синтез, распознавание, клонирование голоса) с этой и другими моделями.
Уже есть демка, если интересно, напишите мне пожалуйста:
https://t.me/brakanier