VibeVoice ಟಿಟಿಟ್ಸ್Name
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ಆಯ್ಕೆ ಮಾಡಲಾದ ಮಾದರಿಗೆ ಗೊಂಬೆ ಹಾಕಿದರೆ ಅದು ನಡೆಯುವ ನಿಮ್ಮ ಪಠ್ಯದಲ್ಲಿ ಒಂದನ್ನು ಹಾಕಲು ಒತ್ತಿ:
ಈ ನಮೂನೆಯನ್ನು ಸರಳ ಪಠ್ಯವಾಗಿ ಓದುವುದರಿಂದ, ಆನ್ಲೈನ್ ಟ್ಯಾಗ್ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಟ್ಯಾಗ್- ಸಂಬಂಧಿತ ಭಾವನಾತಕ್ಕಾಗಿ, ಆರೆಫಸ್ ಅಥವ ಬಾರ್ಕ್ ನಂತಹ ಒಂದು ಚಿತ್ರಾಂಶದ ನಮೂನೆಗೆ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ.
ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:
ಕುರಿತು 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.
ಇದಕ್ಕೆ ಉತ್ತಮ: Podcasts, dialogues, long-form narration, multi-speaker content
ಎಲ್ಲವನ್ನೂ ವೀಕ್ಷಿಸು VibeVoice ಧ್ವನಿಗಳುಒಂದು ನೋಟದಲ್ಲಿ
- ವಿಕಾಸಕ
- Microsoft
- ಪರವಾನಗಿ
- MIT
- ಟೈಅರ್
- standard
- ವೇಗ
- fast
- ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ
- ಇಲ್ಲ
- ಭಾಷೆಗಳುName
- English, Chinese
- ಗರಿಷ್ಟ ಅಕ್ಷರಗಳು
- 50000