Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
توغرا كونترول قىلىش ئۈچۈن تېكىستنى SSML تېگلىرى ئىچىگە ئايلاندۇرۇش:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تاللانغان مودېل چۈشىنىدىغان تېگلەر - بىرىنى تېكىستىڭىزگە چۈشۈرۈش ئۈچۈن چېكىڭ:
بۇ مودىل ئاددىي تېكىستنى ئوقۇيدۇ، شۇڭا سۈرەتتە بار چەكلىمىلەر قوبۇل قىلىنمايدۇ. چەكلىمىلەرگە ئاساسەن ھېسسىياتنى ئىپادىلەش ئۈچۈن Orpheus ياكى Bark دەك ئىپادىلەش مودىلىغا ئۆزگەرتىشكە بولىدۇ.
خالىغان ئىپادىلەشنى بەلگىلەش (سۆز = ئىپادىلەش):
توغرىسىدا 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.
ئەڭ ياخشىسى: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
ھەممىنى كۆرۈش Ming-Omni TTS ئاۋازلاربىر كۆزىتىش
- ئىجادىيەتچى
- inclusionAI
- ئىجازەتنامە
- Apache 2.0
- ھايۋان
- free
- تېزلىك
- medium
- ئاۋازنى كۆچۈرۈش
- ھەئە
- تىللار
- English, Chinese
- ئەڭ كۆپ ھەرپ
- 1000