MGM-Omni

让语音大模型记住你的声音，长对话也能个性化陪伴

MGM-Omni 是一个面向个性化长时语音交互的多模态大语言模型（Omni LLM）开源项目。它解决的是现有语音大模型在长时间对话中缺乏个性化、语音与文本模态对齐不佳的问题。其核心能力包括：支持文本与语音的联合理解与生成，可处理长达数分钟的连续语音输入；通过引入说话人嵌入（speaker embedding）实现个性化音色与说话风格定制；基于大规模语音-文本数据预训练，提升跨模态语义对齐精度。项目采用Python实现，技术栈涵盖音频语言模型、多模态大模型、文本转语音（TTS）等，旨在为下一代语音助手、实时翻译、有声内容生成等场景提供统一的模型基座。目前处于早期阶段（GitHub 205星），代码和模型权重已开放，但文档和生态尚在完善中。