VibeVoice ТТС
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Podcasts, dialogues, long-form narration, multi-speaker content
Баарын кароо VibeVoice үнБир көз салуу
- Жазуучу
- Microsoft
- Лицензия
- MIT
- Тигр
- standard
- Жылдамдыгы
- fast
- Сөздү клондоо
- Жок
- Тилдер
- English, Chinese
- Макс. символдор
- 50000