Ming-Omni TTS

Ming-Omni TTS ТТС

A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.

Запиши се. за 5000 ограничаване на знака

Опаковка на вашия текст в SSML тагове за точен контрол:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Етикети избрания модел разбира — кликнете за да пуснете един в вашия текст, където се случва:

Този модел чете обикновен текст, така че в линия тагове се пренебрегват. За емоции, базирани на таг, превключете на експресивен модел като Orpheus или Bark.

Определяне на своите изговори (слово = произношение):

-12 +12
0.5x 2.0x
Без пари с Пайпър, ВИТС, Мелотс
Тук ще се появи генерираното ви аудио. Изберете модел, въведете текст и кликнете върху Генериране.
Аудио генерирано успешно
0:00
Изтегляне на аудиото Сваляне.rt. Връзката изтича след 24 часа
Безплатен ступенят: лично използване. Търговска лиценз от $5/мо
Обичай ТТСай, кажи на приятелите си!

За 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.

Най-добро за: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Преглед на всички Ming-Omni TTS гласове

На един поглед.

Разработчик
inclusionAI
Лиценз
Apache 2.0
Ниво на равнището
free
Скорост
medium
Гласово клониране
Да.
Езици
English, Chinese
Макс. символи
1000

Ming-Omni TTS гласове

Default

English
Безплатен Neutral

Default (Chinese)

Chinese
Безплатен Neutral

Ming-Omni TTS TTS — Често задавани въпроси

It outputs 44.1kHz audio, close to CD quality — high for a model of only 0.5B parameters — thanks to its patch-by-patch flow-matching audio decoder.

Beyond voice cloning, it supports emotion, dialect, and background-music control via JSON instructions, and it is very stable, reporting a 0.83% word error rate on Chinese benchmarks.

English and Chinese, with zero-shot voice cloning from a reference clip of three seconds or longer.
← Всички гласове.