Ming-Omni TTS

Ming-Omni TTS ټي ټي اېس

A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.

ننوتل د 5,000 لوښه حد

د دقیق کنټرول لپاره په SSML نښانونو خپل متن واچوئ:

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

توري د ټاکل شوي ماډل پوهیږي - کلیک وکړئ چې ستاسو په متن کې یو راښکته کړئ چیرې چې دا پیښیږي:

دا ماډل لوستل ساده متن، نو inline نښانونه په پام کې نه نيول کيږي. د نښان پر بنسټ احساس، د يو څرګند ماډل لکه Orpheus يا Bark بدل.

دوديزه لوستنه پېژندل (ويې = لوستنه):

-12 +12
0.5x 2.0x
د پيپر، VITS، MeloTTS سره وړيا
ستاسو توليد شوي غږيز به دلته ښکاره شي. يو ماډل وټاکئ، ليکنه وليکﺉ، او توليد کېکاږﺉ.
غږ په برياليتوب سره جوړ شو
0:00
غږيز رالېښنې .srt ډاونلوډ تړنه په 24h کې پای ته رسیږي
وړیا طبقه: شخصي کارولو. د $ 5 / mo څخه سوداګریز جواز
TTS.ai مینه؟ خپل ملګرو ته ووایاست!

په اړه 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.

غوره د: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

ټول لټول Ming-Omni TTS غږونه

په يوه کتنه کې

جوړوونکی
inclusionAI
منښتليک
Apache 2.0
:د پاڼې نوم
free
چټکتيا
medium
غږ کلونول
هو
ژبې
English, Chinese
ټولوجګه لوښه
1000

Ming-Omni TTS غږونه

Default

English
وړیا Neutral

Default (Chinese)

Chinese
وړیا Neutral

Ming-Omni TTS د پوښتنو ځوابول

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.
← ټول غږونه