Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Ձեր տեքստը SSML տեգերի մեջ տեղադրել ճշգրիտ կառավարման համար.
<speak><prosody rate="slow">Slow speech</prosody></speak>
Ընտրված մոդելի կողմից ընկալվող պիտակներ — սեղմեք դրանք ձեր տեքստում տեղադրելու համար:
Այս մոդելը կարդում է պարզ տեքստը, այնպես որ ներառված տեքստերը անտեսվում են։ Տեքստերի վրա հիմնված էմոցիաների համար փոխեք արտահայտիչ մոդել, ինչպես Orpheus կամ Bark։
Որոշել սեփական արտասանությունը (բառ = արտասանություն):
Ընդհանուր 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.
Լավագույնը: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Ընթերցել բոլորը Ming-Omni TTS ձայներՀակառակորդի դիրքը
- Հեղինակ
- inclusionAI
- Լիցենզիա
- Apache 2.0
- Դադար
- free
- արագություն
- medium
- Ձայնի կլոնավորում
- Այո
- Լեզուներ
- English, Chinese
- Օգտագործված ռեժիմ
- 1000