VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
ସଠିକ ନିୟନ୍ତ୍ରଣ ପାଇଁ SSML ଟ୍ୟାଗଗୁଡ଼ିକରେ ଆପଣଙ୍କର ପାଠ୍ୟକୁ ଲଗାନ୍ତୁ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ବଚ୍ଛିତ ନମୁନା ବୁଝିଥିବା ସୂଚକଗୁଡ଼ିକ - ଏହା ଘଟୁଥିବା ସ୍ଥାନକୁ ଆପଣଙ୍କର ପାଠ୍ୟରେ ଗୋଟିଏ ପକାଇବା ପାଇଁ କ୍ଲିକ କରନ୍ତୁ:
ଏହି ଆକାର ସରଳ ପାଠ୍ୟ ପଢ଼େ, ତେଣୁ ଅନ୍ତର୍ନିହିତ ସୂଚକଗୁଡ଼ିକୁ ଅଣଦେଖା କରାଯାଏ। ସୂଚକ ଆଧାରିତ ଅନୁଭୂତି ପାଇଁ, ଗୋଟିଏ ଅଭିବ୍ୟକ୍ତିମୂଳକ ଆକାରକୁ ପରିବର୍ତ୍ତନ କରନ୍ତୁ ଯେପରିକି Orpheus କିମ୍ବା Bark।
ଇଚ୍ଛାରୂପୀ ଉଚ୍ଚାରଣକୁ ବର୍ଣ୍ଣନା କରନ୍ତୁ (ଶବ୍ଦ = ଉଚ୍ଚାରଣ):
ବିଷୟରେ 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.
ପାଇଁ ଉତ୍ତମ: Podcasts, dialogues, long-form narration, multi-speaker content
ସମସ୍ତଙ୍କୁ ବ୍ରାଉଜ କରନ୍ତୁ VibeVoice ଧ୍ୱନିଗୋଟିଏ ନଜରରେ
- ବିକାଶକାରୀ
- Microsoft
- ଅନୁମତିପତ୍ର
- MIT
- ତିଆର
- standard
- ବେଗ
- fast
- ଧ୍ୱନି କ୍ଲୋନିଂ
- ନାମ
- ଭାଷାName
- English, Chinese
- ସର୍ବାଧିକ ଅକ୍ଷର
- 50000