VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Τυλίξτε το κείμενο σας σε ετικέτες EEML για τον ακριβή έλεγχο:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Ετικέτες το επιλεγμένο μοντέλο καταλαβαίνει □ κάντε κλικ για να ρίξετε ένα στο κείμενο σας όπου συμβαίνει:
Αυτό το μοντέλο διαβάζει απλό κείμενο, έτσι οι ετικέτες inline αγνοούνται. Για tag-based συναίσθημα, μεταβείτε σε ένα εκφραστικό μοντέλο όπως ο Ορφέας ή Bark.
Define custom προφορές (word = εκφώνηση):
Σχετικά 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.
Το καλύτερο για: Podcasts, dialogues, long-form narration, multi-speaker content
Περιήγηση σε όλα VibeVoice φωνέςΜε μια ματιά.
- Προγραμματιστής
- Microsoft
- Άδεια
- MIT
- Βαθμίδα
- standard
- Ταχύτητα
- fast
- Κλωνοποίηση φωνής
- Όχι.
- Γλώσσες
- English, Chinese
- Μεγ. χαρακτήρες
- 50000