VibeVoice ТТС
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Захоўваць тэкст у тэгах SSML для дакладнага кантролю:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Тэгі, якія разумее выбраная мадэль - націсніце, каб перанесці іх у тэкст:
Гэтая мадэль чытае звычайны тэкст, таму ўбудаваныя тэгі ігнаруюцца. Для эмоцый, заснаваных на тэгах, пераключыцеся на мадэлі выразнасці, такія як Orpheus або Bark.
Вызначыць уласнае вымаўленне (слова = вымаўленне):
Пра VibeVoice
VibeVoice from Microsoft is built for long-form, multi-speaker audio. Its 1.5B model can generate up to 90 minutes of speech with as many as 4 simultaneous speakers, using speaker tags to drive multi-turn dialogue — a strong fit for podcasts, audiobooks, and conversations that need speaker consistency across long passages. A separate Realtime 0.5B variant reaches roughly 300ms latency for interactive use. On TTS.ai it covers English and Chinese and accepts up to 50,000 characters per request, so an entire episode can be scripted in one pass.
Лепшы для: Podcasts, dialogues, long-form narration, multi-speaker content
Прагляд усіх VibeVoice галасыКароткае апісанне
- Распрацоўшчык
- Microsoft
- Ліцэнзія
- MIT
- Стварыць
- standard
- Хуткасць
- fast
- Клонаванне голасу
- Не
- Мовы
- English, Chinese
- Найбольшая колькасць знакаў
- 50000