VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
ચોક્કસ નિયંત્રણ માટે SSML ટેગોમાં તમારું લખાણ લપેટો:
<speak><prosody rate="slow">Slow speech</prosody></speak>
પસંદ કરેલ મોડેલ સમજે છે તે ટેગ્સ - તમારા લખાણમાં એકને મૂકવા માટે ક્લિક કરો જ્યાં તે થાય છે:
આ મોડેલ સાદા લખાણને વાંચે છે, તેથી અંદરના ટેગો અવગણવામાં આવે છે. ટેગ આધારિત લાગણી માટે, Orpheus અથવા Bark જેવા વ્યક્ત કરવા માટેના મોડેલમાં બદલો.
વૈવિધ્યપૂર્ણ ઉચ્ચારણો વ્યાખ્યાયિત કરો (શબ્દ = ઉચ્ચારણ):
વિશે 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.
માટે શ્રેષ્ઠ: Podcasts, dialogues, long-form narration, multi-speaker content
બધું બ્રાઉઝ કરો VibeVoice અવાજોએક નજરમાં
- ડેવલોપર
- Microsoft
- લાઇસન્સ
- MIT
- તીર
- standard
- ઝડપ
- fast
- અવાજ ક્લોનિંગ
- નહિં
- ભાષાઓ
- English, Chinese
- મહત્તમ અક્ષરો
- 50000