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.

Ёзиш 5000 белги чегараси

Матнни аниқ назорат учун SSML теглар билан ўраб қўйиш:

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

Танланган модел тушунадиган тегилар — уларни матнга тушириш учун босинг:

Бу модел оддий матн ўқийди, шунинг учун тегишли теги эътиборга олинмайди. Эмоционал теги асосида, Orpheus ёки Bark каби ифодали моделга ўтинг.

Ўз нутқини белгилаш (сўз = нутқ):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS билан бепул
Сизнинг яратилган аудионгиз бу ерда намоён бўлади. Модельни танланг, матнни киритинг ва Юклаш тугмасини босинг.
Аудио муваффақиятли яратилди
0:00
Аудио юклаб олиш .srt юклаб олиш Уланиш муддати 24 соатдан сўнг тугайди
Бепул даража: шахсий фойдаланиш. $5/mo дан бошланувчи коммерциявий лицензия
Буни ўз овозингизга айлантиринг 30 сония ичида овозни клонлаш
TTS.ai'ни севасанми? Дўстларингга айт!

Маълумот 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.

Энг яхшиси: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content

Ҳаммасини кўриш Ming-Omni TTS овозлар

Бир қарашда

Ижодкор
inclusionAI
Лицензия
Apache 2.0
Тир
free
Тезлик
medium
Овозни клонлаш
Ҳа
Тиллар
English, Chinese
Максимум ҳарфлар
1000

Ming-Omni TTS овозлар

Default

English
Оқ Neutral

Default (Chinese)

Chinese
Оқ Neutral

Ming-Omni TTS ТТС — кўп бериладиган саволлар

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.
← Барча овозлар