Ming-Omni TTS

Ming-Omni TTS TTS-värden

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

Registrera dig för 5 000 teckengräns

Radera din text i SSML-taggar för exakt kontroll:

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

Taggar den valda modellen förstår — klicka för att släppa en i din text där det händer:

Den här modellen läser vanlig text, så inline-taggar ignoreras. För taggbaserade känslor, byt till en uttrycksfull modell som Orpheus eller Bark.

Definiera egna uttal (ord = uttal):

-12 +12
0.5x 2.0x
Gratis med Piper, VITS, Melotts
Ditt genererade ljud visas här. Välj en modell, skriv in text och klicka på Generera.
Ljud genereras framgångsrikt
0:00
Ladda ner ljud Ladda ner.srt Länken går ut i 24 timmar
Fri nivå: personlig användning. Kommersiell licens från $5/mo
Berätta för dina vänner!

Om jag inte kan 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.

Bäst för: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Bläddra alla Ming-Omni TTS röster

Med en blick

Utvecklare
inclusionAI
Licens
Apache 2.0
Nivå
free
Varvtal
medium
Röstkloning
Ja, det är jag.
Språk
English, Chinese
Max tecken
1000

Ming-Omni TTS röster

Default

English
Avgiftsfri Neutral

Default (Chinese)

Chinese
Avgiftsfri Neutral

Ming-Omni TTS TTS – FAQ

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.
← Alla röster