Ming-Omni TTS

Ming-Omni TTS TTS

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

Підписатися обмеження на 5,000 символів

Переносити ваш текст до міток SSML для точного керування:

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

Додати позначки емоцій доставки впливу (відносна підтримка model):

Ця модель читає простий текст, отже теґи вбудований буде проігноровано. Для емоцій, заснованих на мітках, перемкніться на модель експресивного вираження, на зразок Orpheus або Bark.

Визначити нетипові вимови (слово = вимова):

-12 +12
0.5x 2.0x
Вільно з Пайпером, VITS, Melotts
Тут з' явиться створений вами звуковий файл. Оберіть модель, введіть текст і натисніть кнопку Створити.
Звук успішно створено
0:00
Звантажити аудіо Звантажити. str Зв' язок закінчується через 24h
Вільний наручник: особисте використання. Комерційна ліцензія з $5/mo
У режимі низького зменшення вільного символу Отримати 200К символів щомісяця або одночасно 100К пачки за 5 доларів
Зробити це вашим власним голосом Клонувати голос за 30 секунд
Любити TTS.ai?

Про програму 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.

Найкраще для: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Перегляд всього Ming-Omni TTS голоси

На перший погляд

Розробник
inclusionAI
Ліцензія
Apache 2.0
Тір
free
Швидкість
medium
Клонування голосів
Так.
Мови
English, Chinese
Макс. символи
1000

Ming-Omni TTS голоси

Default

English
Вільно Neutral

Default (Chinese)

Chinese
Вільно Neutral

Ming-Omni TTS ТЖИ · СО

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.
← Всі голоси