VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Kääri tekstisi SSML-tunnisteisiin tarkan valvonnan varmistamiseksi:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Merkitse valittu malli ymmärtää – klikkaa pudottaaksesi yhden tekstiisi, missä se tapahtuu:
Tässä mallissa lukee pelkkää tekstiä, joten rivitunnisteet jätetään huomiotta. Jos haluat tag-pohjaisen tunteen, vaihda ilmaisukykyiseen malliin, kuten Orfeus tai Bark.
Määrittele custom-äänet (sana = ääntäminen):
Tietoja 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.
Paras: Podcasts, dialogues, long-form narration, multi-speaker content
Selaa kaikkia VibeVoice äänetSilmäyksellä
- Kehittäjä
- Microsoft
- Lisenssi
- MIT
- Määrittämistaso
- standard
- Nopeus
- fast
- Äänien kloonaus
- Ei tarvitse.
- Kielet
- English, Chinese
- Maksimimerkit
- 50000