Ñe'ẽnguéra.: Agentes IA Música Ñe'ẽ ñeikumby Clonación ñe'ẽnguéra rehe Diseño ñe'ẽ Mercado Avei
Oñe'ẽ peteĩ error rehegua reporte/ mba'eporã ñeikotevẽ
VibeVoice

Speaker 1 (Chinese)

Estándar Chino Neutral VibeVoice

Speaker 1 (Chinese) hína peteĩ IA ñe'ẽ neutral oñemopyendáva modelo VibeVoice ñe'ẽ-teépe. Ko ñe'ẽ nivel estándar-pe oñe'ẽ Chino ha ome'ẽ ñe'ẽ ñeikumby calidad estudio-pegua. Oguerekóvo instantáneo generación rehegua velocidad ha peteĩ calidad rehegua tasa 5/5, Speaker 1 (Chinese) ikatu hína ojeporu podcasts, dialogues, long-form narration, multi-speaker content-pe g̃uarã. Motor VibeVoice oñemboguata Microsoft under the MIT license rupive, ha upéva ojapo imbareteve jeporu ñemuhápe. Umi capacidad ha'evéva apytépe oĩ: multi-speaker, long-form (90 min), podcast generation, dialogue, low latency.

Mbojojahakuéra
Oñeha'ã ko ñe'ẽ Opaite VibeVoice Ñe'ẽ

VibeVoiceModelo marandu

Modelo VibeVoice
Desarrollador Microsoft
Calidad
Velocidad Ipya'éva
Licencia MIT
Clonación No disponible
Ta'ãnga Estándar (2x caracteres)
Parámetro-kuéra 1.5B
Arquitectura LLM + DAC
Datos de entrenamiento 100000 h
Ary 2025

Ojeporu porãve Speaker 1 (Chinese)

Aplicaciones recomendadas oñemopyendáva ko ñe'ẽ característica-pe

Audiolibro ha ñe'ẽ'i

Ojeporu Speaker 1 (Chinese) oje'e hag̃ua contenido de forma ipukúva prosodi ha expresión natural rupive.

Video ñehendu'ã

Omoĩnge marandu profesional YouTube video-pe, ñemuhápe ha umi medio social contenido-pe.

Aplicaciones ha acceso

Ko ñe'ẽ ñemoheñói pya'e ombohape oiko hag̃ua peteĩ ñe'ẽporãporã umi aplicación tiempo real-pe g̃uarã, lector de pantalla ha herramienta de accesibilidad.

Podcast ha transmisión

Umi producción estudio-pegua calidad-peguáva, oikoporãve podcast-pe, radio-pe ha transmisión profesional-pe.

Avei VibeVoice Ñe'ẽ

Ambue ñe'ẽ upe modelo TTS-pegua

Speaker 1

Inglés Neutral

Speaker 2

Inglés Neutral

Speaker 2 (Chinese)

Chino Neutral

Speaker 3

Inglés Neutral

Speaker 4

Inglés Neutral
Ojehecha opavave VibeVoice Ñe'ẽ

Pregunta ojejapóva py'ỹinte

VibeVoice Microsoft mba'éva omoheñói ñe'ẽjoaju ipukúva 90 minuto peve, oykekohápe 4 ñe'ẽha'ãnga simultáneo, ha upéva oikoporãve podcast ha ñe'ẽjovake. Realtime 0.5B variante oguereko peteĩ latencia de ~300ms jeporu interactivo-pe g̃uarã. Oipytyvõ ñe'ẽjovake etiqueta-kuérape oñemoheñói hag̃ua ñe'ẽjovake heta turno-pe.

VibeVoice Microsoft omoheñói ha ojeikuaauka MIT licencia poguýpe, ombohapéva ñemuharã jeporu ñehendurã oñemoheñóiva.

VibeVoice oykeko 2 ñe'ẽ: inglés ha chino.

VibeVoice oĩ nivel estándar-pe - 2 crédito 1000 carácter-pe g̃uarã. Ikatu ohecháva'erã peteĩteĩ VibeVoice ñe'ẽ'ypy'apy'a reheve, ndaha'éi viru reheve, omoheñói mboyve peteĩ ñe'ẽ'ypy'apy tuichakue.

VibeVoice oguereko peteĩ generación pya'evéva. Ojeporu aravoite tiempo real-pe, ha upévare, ojeporukuaa transmisión ha aplicación interactiva-pe g̃uarã.

VibeVoice ojehecha 5/5-ramo ñe'ẽnguéra calidad-pe g̃uarã TTS.ai-pe. Oikuave'ẽ ñe'ẽnguéra peteĩteĩ estudio-pegua, yvypóra ñe'ẽnguéraicha.

Nahániri, VibeVoice oiporu peteĩ conjunto fijo ñe'ẽnguéra incorporada-kuéra. Ñe'ẽnguéra clonación-rã, oñeha'ã modelo taha'e CosyVoice 2, GPT-SoVITS térã Chatterbox.

Avei, VibeVoice oñemohenda porã podcast-pe g̃uarã, ñe'ẽjovake, ñe'ẽjoaju ipukúva, contenido oguerekóva heta ñe'ẽha, ha umi capacidad oguerekóva omoheñói hag̃ua podcast heta ñe'ẽha, ipukúva (90 min), ombohape chupe peteĩ opción iporãva ko'ã jeporurã.

Añetehápe, VibeVoice oguereko licencia MIT poguýpe, ombohapéva ojeporu ñemurã. Umi ñe'ẽnguéra VibeVoice rupive ikatu ojeiporu ta'ãngamýi, podcast, aplicación, ñembosarái ha ambue apopyrã ñemurã.

Añetehápe, opaite ñe'ẽ TTS.ai-pe oiporu modelo de código abierto oguerekóva licencia comercial (MIT, Apache 2.0). Ñe'ẽnguéra ojeiporúva ikatu ojeiporu video-pe, podcast-pe, aplicación-pe, ñembosarái ha ambue aplicación comercial-pe.

Oñemoĩ peteĩ pedido POST /api/v1/tts/-pe modelo réra ha ID ñe'ẽ. Ehecha ñane API Documentación ñe'ẽ kóde rehegua techapyrã Python, JavaScript, Go ha cURL-pe.

Yes, click the play button on this page to hear a sample. You can also type custom text on the Text to Speech page and generate a free preview with any voice.

Oñeha'ã Speaker 1 (Chinese) Ko'ágã

Ohai oimeraẽ ñe'ẽ ha oikumby Speaker 1 (Chinese). Ojeporu'ỹre.

Oñe'ẽ Oñemoinge'ỹre