Ming-Omni TTS ТТС
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:
Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.
Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):
Бәйләнешләр 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.
Иң яхшысы: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Барлыгын карау Ming-Omni TTS тавышларБер карашка
- Программист
- inclusionAI
- Лицензия
- Apache 2.0
- Гыйнвар
- free
- Югары тизлек
- medium
- Сүзләрне клонлау
- Әйе
- Телләр
- English, Chinese
- Макс. символлар саны
- 1000