Ming-Omni TTS

Ming-Omni TTS ТТС

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

Упиши се за ограничење 5.000 знакова

Умотајте текст у ССМЛ ознаке за прецизну контролу:

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

Означе изабрани модел разуме — кликните да га испустите у текст где се то дешава:

Овај модел чита обичан текст, па се ознаке за успостављене на линији игноришу. За емоције засноване на ознакама пребаците на изражавајући модел попут Орфеја или Барка.

Дефинишите посебне изговоре (слов = изговор):

-12 +12
0.5x 2.0x
Слободна са Пајпер, Витс, Мелоттс
Овд› је ће се појавити генерисани звук. Изаберите модел, унесите текст и кликните на Генериши.
аудио генерисано усп› јешно
0:00
Преузми аудио Преузми.рт Веза истекава за 24х
Слободни ниво: лично коришћење. Комерцијална дозвола од 5 долара/мо
Нека ово буде твој глас Клонирај глас за 30 секунди
Љубав ТТС.аи?

О 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.

Најбоље за: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Прегледај све Ming-Omni TTS гласови

На један поглед

Програмер
inclusionAI
Лиценца
Apache 2.0
Низ
free
Брзина
medium
Гласово клонирање
Да.
језици
English, Chinese
Макс. знакова
1000

Ming-Omni TTS гласови

Default

English
слободни Neutral

Default (Chinese)

Chinese
слободни Neutral

Ming-Omni TTS ТТС — честа питања

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.
← Сви гласови