ಮಾತಿನ ಪಠ್ಯ AI ಏಜರ್‌ಗಳು ಸಂಗೀತ ಮಾತಿನ ಪಠ್ಯ ಧ್ವನಿ ಕೆರಳುವಿಕೆ ಧ್ವನಿ ವಿನ್ಯಾಸName ಮಾರುಕಟ್ಟು ಇನ್ನಷ್ಟು
ದೋಷ / ಉಪಘಟಕದ ಮನವಿಯನ್ನು ವರದಿ ಮಾಡು@ option: check Ask for Confirmation When
MOSS-TTSD

MOSS-TTSD ಟಿಟಿಟ್ಸ್Name

A 7B dialogue model that continues conversations from an audio prompt — up to five speakers and 60 minutes of coherent audio.

0/500 ಲಿಪ್ಯಂಶಗಳು · ಪ್ರತಿ ಪೀಳಿಗೆಗೆ 5,000 ಕ್ಕೆ ಸಹಿ ಹಾಕಿ →
ಚಿಹ್ನೆಯನ್ನು ಚಿಹ್ನೆಯಾಗಿಸು 5,000 ಅಕ್ಷರ ಮಿತಿಗಾಗಿ

ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್‌ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:

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

ಆಯ್ಕೆ ಮಾಡಲಾದ ಮಾದರಿಗೆ ಗೊಂಬೆ ಹಾಕಿದರೆ ಅದು ನಡೆಯುವ ನಿಮ್ಮ ಪಠ್ಯದಲ್ಲಿ ಒಂದನ್ನು ಹಾಕಲು ಒತ್ತಿ:

ಈ ನಮೂನೆಯನ್ನು ಸರಳ ಪಠ್ಯವಾಗಿ ಓದುವುದರಿಂದ, ಆನ್‌ಲೈನ್ ಟ್ಯಾಗ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಟ್ಯಾಗ್‌- ಸಂಬಂಧಿತ ಭಾವನಾತಕ್ಕಾಗಿ, ಆರೆಫಸ್ ಅಥವ ಬಾರ್ಕ್ ನಂತಹ ಒಂದು ಚಿತ್ರಾಂಶದ ನಮೂನೆಗೆ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ.

ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:

-12 +12
0.5x 2.0x
ಪಿಪರ್‌, ವೈಟ್ಸ್‌, ಮೆಲೋಟ್ಸ್‌
ನೀವು ಉತ್ಪಾದಿಸಿದ ಆಡಿಯೊವು ಇಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಒಂದು ನಮೂನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಪಠ್ಯವನ್ನು ನಮೂದಿಸಿ ಮತ್ತು ಉತ್ಪತ್ತಿಯನ್ನು ಒತ್ತಿ.
ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ) ದೃಡೀಕರಿಸಲಾದ ಧ್ವನಿ
0:00
ಆಡಿಯೊವನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡು . sstring ಡೌನ್‌ಲೋಡ್ ಕೊಂಡಿಯ ವಾಯಿದೆ 24h ನಲ್ಲಿ
ರಿಚರ್ಡ್‌ ಟೈರ್‌: ವೈಯಕ್ತಿಕ ಉಪಯೋಗ. 550/% ನಲ್ಲಿನ ವ್ಯಾಪಾರೀ ಲೈಸನ್ಸ್
ನಿಮ್ಮ ಸ್ನೇಹಿತರನ್ನು ಪ್ರೀತಿಸುತ್ತೀರಾ?

ಕುರಿತು MOSS-TTSD

MOSS-TTSD v1.0 from OpenMOSS is a 7-billion-parameter dialogue text-to-speech model that continues a conversation from a short audio prompt rather than reading isolated lines. It handles up to five simultaneous speakers via [S1]/[S2]-style tags, zero-shot voice cloning from 3-to-10-second references, and stretches of coherent multi-turn dialogue up to 60 minutes long. It is distinct from the OpenMOSS MOSS-TTS model — the TTSD variant is specialized for podcast, audiobook, and dubbing workflows where long, consistent conversational audio is the goal. Released under Apache 2.0, it needs around 12GB of VRAM given its size.

ಇದಕ್ಕೆ ಉತ್ತಮ: Podcasts, audiobooks, dubbed dialogue, conversational content with multiple voices

ಎಲ್ಲವನ್ನೂ ವೀಕ್ಷಿಸು MOSS-TTSD ಧ್ವನಿಗಳು

ಒಂದು ನೋಟದಲ್ಲಿ

ವಿಕಾಸಕ
OpenMOSS
ಪರವಾನಗಿ
Apache 2.0
ಟೈಅರ್
standard
ವೇಗ
medium
ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ
ಹೌದು
ಭಾಷೆಗಳುName
English, Chinese
ಗರಿಷ್ಟ ಅಕ್ಷರಗಳು
5000

MOSS-TTSD ಧ್ವನಿಗಳು

Default (Chinese)

Chinese
ಶಿಷ್ಟ Neutral

Default Speaker

English
ಶಿಷ್ಟ Neutral

MOSS-TTSD ಟಿ.

Up to five simultaneous speakers, addressed via speaker tags like [S1] and [S2], with the ability to clone each voice from a short reference clip.

It can produce up to 60 minutes of coherent multi-turn dialogue, which is what makes it suited to full podcast episodes and audiobook chapters rather than short clips.

MOSS-TTSD is a dialogue-specialized variant that continues conversations from an audio prompt and targets podcast, audiobook, and dubbing workflows, whereas the base MOSS-TTS is a general single-voice synthesis model.
← ಎಲ್ಲಾ ಧ್ವನಿಗಳು