Tekst do mowy Agenci AI Muzyka Przemówienie do tekstu Klonowanie głosu Projektowanie głosu Rynek Więcej
Zgłosić błąd / żądanie funkcji
VibeVoice

VibeVoice TTS

Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.

0/500 znaki · Zarejestruj się na 5000 na pokolenie →
Zarejestruj się. dla 5000 limitów znaków

Zawiń tekst w tagi SSML dla precyzyjnej kontroli:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Tagi wybrany model rozumie — kliknij aby usunąć jeden do swojego tekstu, gdzie się to dzieje:

Model ten czyta tekst zwykły, więc w linii tagi są ignorowane. Dla emocji na tag, przełącz na model wyrażony jak Orfeus lub Bark.

Definiuj własny wymówki (słowo = wymówka):

-12 +12
0.5x 2.0x
Darmowe z Piper, VITS, Melotts
Tutaj pojawi się generowany dźwięk. Wybierz model, wpisz tekst i kliknij Generuj.
Pomyślnie wygenerowany dźwięk
0:00
Pobierz audio Pobierz.rt Łączność wygasa w 24h
Bezpłatny poziom: użytkowanie osobiste. Licencja handlowa od $5/mo
Powiedz znajomym!

O tematie 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.

Najlepsze dla: Podcasts, dialogues, long-form narration, multi-speaker content

Przeglądaj wszystkie VibeVoice głosy

Na jedno spojrzenie

Rozwijacz
Microsoft
Licencja
MIT
Poziom szczelności
standard
Prędkość
fast
Klonowanie głosu
Nie.
Języki
English, Chinese
Maksymalna liczba znaków
50000

VibeVoice głosy

Speaker 1

English
Standardowe Neutral

Speaker 1 (Chinese)

Chinese
Standardowe Neutral

Speaker 2

English
Standardowe Neutral

Speaker 2 (Chinese)

Chinese
Standardowe Neutral

Speaker 3

English
Standardowe Neutral

Speaker 4

English
Standardowe Neutral

VibeVoice TTS — FAQ

VibeVoice supports up to 4 distinct speakers and up to 90 minutes of continuous output, with speaker tags for multi-turn dialogue — built for podcasts and long-form narration. It accepts up to 50,000 characters per request.

Yes. Alongside the 1.5B long-form model, a Realtime 0.5B variant achieves roughly 300ms latency for interactive use.

VibeVoice is MIT-licensed. On TTS.ai, audio you make with it is for personal use on the free tier and can be used commercially on any paid plan. It supports English and Chinese and does not currently support voice cloning.
← Wszystkie głosy