VibeVoice ТТС
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Тодорхой хяналтын тулд SSML тэмдгээр текстээ буулгах:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Бүх
Энэ загвар нь энгийн утга уншдаг, тиймээс доторх тэмдгийг үл тоомсорлодог. Тэг- суурилсан сэтгэл хөдлөл, Orpheus эсвэл Bark- шиг илэрхийлэх загвар руу шилжинэ.
Өөрийн дуудлагыг тодорхойлох (үг = дуудлага):
Тодорхойлолт 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.
Хамгийн сайн: Podcasts, dialogues, long-form narration, multi-speaker content
Бүхнийг харах VibeVoice дуунуудНүүр хуудас
- Хөгжүүлэгч
- Microsoft
- Лиценз
- MIT
- Үхрийн
- standard
- Хурд
- fast
- Дууны дугуй
- Үгүй
- Хэл
- English, Chinese
- Хамгийн их үсэг
- 50000