Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
ਸਹੀ ਕੰਟਰੋਲ ਲਈ SSML ਟੈਗ ਵਿੱਚ ਆਪਣਾ ਪਾਠ ਲਪੇਟੋ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ਟੈਗ, ਜੋ ਕਿ ਚੁਣੇ ਮਾਡਲ ਸਮਝਦਾ ਹੈ - ਆਪਣੇ ਪਾਠ ਵਿੱਚ ਇੱਕ ਟੈਗ ਸੁੱਟਣ ਲਈ ਕਲਿੱਕ ਕਰੋ, ਜਿੱਥੇ ਇਹ ਹੁੰਦਾ ਹੈ:
ਇਹ ਮਾਡਲ ਸਾਦਾ ਪਾਠ ਪੜ੍ਹਦਾ ਹੈ, ਇਸ ਲਈ ਇੰਲਾਈਨ ਟੈਗ ਅਣਡਿੱਠੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ । ਟੈਗ- ਅਧਾਰਿਤ ਈਮੋਸ਼ਨ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਮਾਡਲ ਜਿਵੇਂ ਕਿ Orpheus ਜਾਂ Bark ਲਈ ਬਦਲੋ ।
ਪਸੰਦੀਦਾ ਉਚਾਰਨ ਦਿਓ (ਸ਼ਬਦ = ਉਚਾਰਨ):
ਬਾਰੇ 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.
ਇਸ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
ਸਭ ਝਲਕ Ming-Omni TTS ਆਵਾਜ਼ਾਂਇੱਕ ਨਜ਼ਰ
- ਡਿਵੈਲਪਰ
- inclusionAI
- ਲਾਈਸੈਂਸ
- Apache 2.0
- ਟੀਅਰ
- free
- ਗਤੀ
- medium
- ਬੋਲੀ ਕਲੋਨਿੰਗ
- ਹਾਂ
- ਭਾਸ਼ਾਵਾਂ
- English, Chinese
- ਵੱਧੋ- ਵੱਧ ਅੱਖਰ
- 1000