VibeVoice ടിടിഎസ്
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
കൃത്യമായ നിയന്ത്രണത്തിനായി SSML തൊങ്ങലില് വാചകം പൊതിയുക:
<speak><prosody rate="slow">Slow speech</prosody></speak>
തെരഞ്ഞെടുത്ത മാതൃക മനസ്സിലാക്കുന്നത് ടാഗ് (കുടികള്) :
ഈ മോഡ് സാധാരണ പദാവലി വായിക്കുന്നു, അതുകൊണ്ട് ഇന്ലൈന് തൊങ്ങല് അവഗണിപ്പിക്കുന്നു. ടാഗ് അടിസ്ഥാനപരമായ വികാരങ്ങള്ക്കു് ഓര്ഫിയസ് അല്ലെങ്കില് ബാര്ക് പോലുള്ള ഒരു ചിത്രീകരണ മോഡില് മാറുക.
ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):
സംബന്ധിച്ച് 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.
അതിനു വേണ്ടിയുള്ള ഏറ്റവും നല്ല സ്ഥലം.: Podcasts, dialogues, long-form narration, multi-speaker content
എല്ലാം പരതുക VibeVoice ശബ്ദങ്ങള്ഒരു നോക്കുമ്പോള്
- രചയിതാവു്
- Microsoft
- അനുമതി
- MIT
- ടിയെര്
- standard
- വേഗത
- fast
- ശബ്ദമിശ്രണോപാധി
- ഇല്ല
- ഭാഷകള്
- English, Chinese
- ഏറ്റവും കൂടിയ ക്യാരക്ടറുകള്
- 50000