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.

Каттоо 5000 символго чейин

Текстти SSML тегдерине өткөрүп берүү:

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

Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:

Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.

Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS менен акысыз
Сиздин түзүлгөн аудио файлыңыз бул жерде пайда болот. Модель тандап, текстти киргизип, Жаңылоо баскычын басыңыз.
Аудио ийгиликтүү түзүлгөн
0:00
Аудиону жүктөп алуу .srt жүктөп алуу Ссылканын мөөнөтү 24 сааттан кийин аяктайт
Free level: жеке колдонуу. Коммерциялык лицензия $5/айдан
Бул үндү өзүңүздүн үнүңүзгө айландырыңыз 30 секундда үндү клондоо
TTS.ai сизге жактыбы? Досторуңузга айтып коюңуз!

Маалымат 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.

Эң жакшысы: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Баарын кароо Ming-Omni TTS үн

Бир көз салуу

Жазуучу
inclusionAI
Лицензия
Apache 2.0
Тигр
free
Жылдамдыгы
medium
Сөздү клондоо
Ооба
Тилдер
English, Chinese
Макс. символдор
1000

Ming-Omni TTS үн

Default

English
Акысыз Neutral

Default (Chinese)

Chinese
Акысыз Neutral

Ming-Omni TTS ТТС — Жогорудагы суроолор

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.
← Бардык үн