Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Zabaliť text do SSML značiek pre presnú kontrolu:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Značky, ktorým vybraný model rozumie — kliknutím ich umiestnite do textu tam, kde sa vyskytujú:
Tento model číta obyčajný text, takže vnorené značky sa ignorujú.Pre emócie založené na značkách prejdite na expresívny model ako Orpheus alebo Bark.
Definovať vlastné výslovnosti (slovo = výslovnosť):
O nás 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.
Najlepšie pre: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Prehľadávať všetky Ming-Omni TTS hlasyNa prvý pohľad
- Vývojár
- inclusionAI
- Licencia
- Apache 2.0
- Zvieratá
- free
- Rýchlosť
- medium
- Klonovanie hlasu
- Áno
- Jazyky
- English, Chinese
- Max. počet znakov
- 1000