VibeVoice टीटीएस
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
अचूक नियंत्रण करीता SSML टॅग अंतर्गत पाठ्य वेल्ड करा:
<speak><prosody rate="slow">Slow speech</prosody></speak>
निवडलेले नमूना समजून घेणारे टॅग - पाठ्य अंतर्गत एक टाका जेथे ते घडते:
हे मॉडेल सादा पाठ्य वाचते, त्यामुळे इनलाईन टॅग दुर्लक्ष केले जातात. टॅग आधारीत भावना करीता, Orpheus किंवा Bark सारखे अभिव्यक्ती मॉडेल करीता बदलवा.
इच्छिक उच्चारण निश्चित करा (शब्द = उच्चारण):
विषयी 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.
सर्वोत्तम: Podcasts, dialogues, long-form narration, multi-speaker content
सर्व ब्राऊज करा VibeVoice आवाजएक नजर
- डेव्हलपर
- Microsoft
- परवाना
- MIT
- टर
- standard
- वेग
- fast
- आवाज क्लोन
- नाही
- भाषाName
- English, Chinese
- कमाल अक्षरे
- 50000