Ming-Omni TTS TTSName
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
ტექსტის გადატანა SSML ჭდეებში ზუსტი კონტროლისთვის:
<speak><prosody rate="slow">Slow speech</prosody></speak>
მონიშნული მოდელისთვის გასაგები ჭდეები - დააწკაპუნეთ, რომ ერთი ჭდე თქვენს ტექსტში ჩააგდოთ, სადაც ის მოხდება:
ეს მოდელი კითხულობს ჩვეულებრივ ტექსტს, ამიტომ შიგნით თავსებული ჭდეები იგნორირდება. ჭდეებზე დაფუძნებული ემოციებისთვის გადადით გამოხატვის მოდელში, როგორიცაა Orpheus ან Bark.
ინდივიდუალური გამოთქმების განსაზღვრა (სიტყვი = გამოთქმა):
ინფორმაცია 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.
საუკეთესოა: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
ყველას დათვალიერება Ming-Omni TTS ხმაჟ მალკჲ ოჲდლვენსგაŒვ
- პროგრამისტი
- inclusionAI
- ლიცენზია
- Apache 2.0
- იანვარი
- free
- სიჩქარე
- medium
- ხმა
- ეა
- ენაName
- English, Chinese
- სიმბოლოების მაქსიმალური რაოდენობა
- 1000