VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
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):
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 głosyNa jedno spojrzenie
- Rozwijacz
- Microsoft
- Licencja
- MIT
- Poziom szczelności
- standard
- Prędkość
- fast
- Klonowanie głosu
- Nie.
- Języki
- English, Chinese
- Maksymalna liczba znaków
- 50000