VibeVoice ТТС
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Опаковка на вашия текст в SSML тагове за точен контрол:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Етикети избрания модел разбира — кликнете за да пуснете един в вашия текст, където се случва:
Този модел чете обикновен текст, така че в линия тагове се пренебрегват. За емоции, базирани на таг, превключете на експресивен модел като Orpheus или Bark.
Определяне на своите изговори (слово = произношение):
За 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.
Най-добро за: Podcasts, dialogues, long-form narration, multi-speaker content
Преглед на всички VibeVoice гласовеНа един поглед.
- Разработчик
- Microsoft
- Лиценз
- MIT
- Ниво на равнището
- standard
- Скорост
- fast
- Гласово клониране
- Не.
- Езици
- English, Chinese
- Макс. символи
- 50000