Ming-Omni TTS 音声翻訳
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
SSML タグでテキストを囲み、正確な制御を行う:
<speak><prosody rate="slow">Slow speech</prosody></speak>
選択したモデルが理解するタグ - クリックしてテキストにドラッグします:
このモデルは単純テキストを読み込み、インラインタグは無視されます。タグベースの感情を表現するには、Orpheus や Bark のような表現モデルに切り替えてください。
カスタム発音を定義 (単語=発音):
情報 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.
適合する: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
すべてブラウズ Ming-Omni TTS 声概要
- 開発者
- inclusionAI
- ライセンス
- Apache 2.0
- 動物
- free
- スピード
- medium
- 声のクローン
- はい
- 言語
- English, Chinese
- 最大文字数
- 1000