VibeVoice نووسراو بۆ بیستراو
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
نوسراوەکەت بگۆڕە بۆ تگەکانی SSML بۆ کۆنتڕۆڵی ڕاستەقینە:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تگەکان کە مۆدێلی هەڵبژێردراو تێیدەگات - بکەرەوە بۆ ئەوەی یەکێکیان بخەیتە ناو دەقەکەتەوە کە تیایدا ڕوودەدات:
ئەم مۆدێلە نوسراوێکی ئاسایی دەخوێنێتەوە، بۆیە تاگەکانی ناو ڕستە پشتگوێ دەخرێت. بۆ هەستێکی لەسەر بنەمای تاگ، بگەڕێ بۆ مۆدێلێکی دەربڕین وەک ئۆرفیۆس یان بارک.
پێناسەکردنی دەنگی خۆت (وشە = دەنگی):
دەربارەی 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.
باشترین بۆ: Podcasts, dialogues, long-form narration, multi-speaker content
سەردانی هەموویان بکە VibeVoice دەنگیچاوپێکەوتن
- پەرەپێدەر
- Microsoft
- مۆڵەتی بەکارھێنەر
- MIT
- یهمهن
- standard
- خێرایی
- fast
- دووبارە دروستکردنی دەنگی
- نەخێر
- زمان
- English, Chinese
- زۆرترین پیت
- 50000