Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Düzgün idarə üçün mətninizi SSML lentlərinə sarılın:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Seçilmiş modelin anladığı etiketlər - mətninizi mətn daxilində buraxmaq üçün basın:
Bu model sadə mətn oxuyur, buna görə də sətir içi təqvimlər nəzərə alınmır. təqvim əsaslı hisslər üçün Orpheus və ya Bark kimi ifadəli modellərə keçin.
Özəl səsləndirmələri təsvir et (söz = səsləndirmə):
Bağlan Ming-Omni TTS
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a patch-by-patch flow-matching audio decoder. Despite its small 500M-parameter size, it outputs 44.1kHz audio approaching CD quality and supports zero-shot voice cloning from a reference of three seconds or more. It includes built-in emotion, dialect, and even background-music control driven by JSON instructions, and is notably stable — reporting a 0.83% word error rate on Chinese benchmarks. With Apache 2.0 licensing and modest 3GB VRAM needs, it fits high-fidelity bilingual narration, emotion-controlled voice acting, and Chinese audiobook production.
Ən Yaxşı: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Hamısını Gəz Ming-Omni TTS səslərBir baxışda
- Yaradıcı
- inclusionAI
- Lisenziya
- Apache 2.0
- Tərcümə
- free
- Sür'ət
- medium
- Sesi təkrarla
- Bəli
- Dillər
- English, Chinese
- Max karakterlər
- 1000