Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Zabalte svůj text do značek SSML pro přesné ovládání:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Značky vybraného modelu rozumí? klikněte na tlačítko pro kapku jednoho do textu, kde se to stane:
Tento model čte prostý text, takže inline značky jsou ignorovány. Pro tag-based emotion, přepněte na expresivní model, jako je Orpheus nebo Bark.
Definovat vlastní výslovnosti (slovo = výslovnost):
O aplikaci 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.
Nejlepší pro: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Procházet vše Ming-Omni TTS hlasyNa první pohled
- Vývojář
- inclusionAI
- Licence
- Apache 2.0
- Úroveň
- free
- Rychlost
- medium
- Klonování hlasu
- Ano.
- Jazyky
- English, Chinese
- Max znaků
- 1000