核心引擎是IndexTTS 2.0——一款自回归零样本语音合成模型。传统TTS音色固定、情感为零，而IndexTTS 2.0实现了两大突破：音色-情感解耦与毫秒级时长控制。你可以让冷静的音色说出激动的话，也可以用温柔的嗓音传递严肃警告，四种情感控制方式随意切换——参考音频克隆、双音频分离、内置情感向量、自然语言驱动，全覆盖。

更关键的是"零样本克隆"：仅需5秒音频，就能生成高度相似的新语音，主观听感相似度达85%以上。这意味着NOMI可以用"妈妈的声音"提醒孩子系安全带，用伴侣的声音说一句"路上小心"——情感连接远超功能层面。

时延控制同样硬核：误差小于±50ms，达到影视级同步。导航说"前方右转"，语音和动画精准对齐，绝不抢拍。

底层还有讯飞星火语音大模型加持，超拟人合成MOS评分行业领先，还原度超过98%。配合NOMI GPT多智能体框架，它能感知情绪、记忆偏好、主动服务——从"工具"进化为"懂你的伙伴"。日均交互8.2次，年唤醒超4.4亿次，数据说明一切：用户早已把它当"人"了。