Ming-Omni TTS ТТС
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Опакувајте го вашиот текст во SSML ознаки за прецизна контрола:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Означувања на избраниот модел кои го разбира — кликнете за да го пуштите еден во вашиот текст каде што се случува:
Овој модел чита обичен текст, па значи, во редовните ознаки се игнорираат. За емоции базирани на таг, префрли се на изразителен модел како што е Орфеус или Барк.
Дефинирај ги сопствените изговори (слов = изговор):
За 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.
Најдобро за: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Прелистувај ги сите Ming-Omni TTS гласовиНа еден поглед
- Развивач
- inclusionAI
- Лиценца
- Apache 2.0
- Ниво
- free
- Брзина
- medium
- Гласовно клонирање
- Да.
- Јазици
- English, Chinese
- Макс. знаци
- 1000