Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
တိကျသောထိန်းချုပ်မှုများအတွက် SSML tags များအတွင်းသင်၏စာသားကို Wrap:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Tags ရွေးချယ်ထားသောမော်ဒယ်နားလည် — ဒါဟာဖြစ်ပျက်တဲ့နေရာမှာသင့်ရဲ့စာသားထဲသို့တစ်ဦး drop ကိုကလစ်နှိပ်ပါ:
ဒီပုံစံကိုရိုးရှင်းတဲ့စာသားဖတ်ရှု, ဒါကြောင့် inline tags တွေကိုလျစ်လျူရှုနေကြသည်။ tag ကိုအခြေခံစိတ်ခံစားမှုအတွက်, Orpheus သို့မဟုတ် Bark ကဲ့သို့သောဖော်ပြမှုပုံစံသို့ switch.
custom pronunciations ကိုသတ်မှတ်ပါ (word = pronunciation):
အကြောင်း 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.
အကောင်းဆုံး: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
အားလုံးကို ရှာဖွေ Ming-Omni TTS အသံများတစ်ချက်ကြည့်ပါ
- ဖန်တီးသူ
- inclusionAI
- လိုင်စင်
- Apache 2.0
- အမျိုးအစား
- free
- အမြန်နှုန်း
- medium
- အသံကို ကူးယူခြင်း
- ဟုတ်ကဲ့
- ဘာသာစကားများ
- English, Chinese
- အက္ခရာအရေအတွက်
- 1000