ليکنه وينا ته استازي موسیقي غږيز ليکنه غږ نقلول غږ سازونه بازار نور
کړاو راپورول / د ځانتيا غوښتنه
VibeVoice

VibeVoice ټي ټي اېس

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

0/500 لوښه · د هر نسل لپاره د 5,000 لپاره نوم لیکنه وکړئ →
ننوتل د 5,000 لوښه حد

د دقیق کنټرول لپاره په SSML نښانونو خپل متن واچوئ:

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

توري د ټاکل شوي ماډل پوهیږي - کلیک وکړئ چې ستاسو په متن کې یو راښکته کړئ چیرې چې دا پیښیږي:

دا ماډل لوستل ساده متن، نو inline نښانونه په پام کې نه نيول کيږي. د نښان پر بنسټ احساس، د يو څرګند ماډل لکه Orpheus يا Bark بدل.

دوديزه لوستنه پېژندل (ويې = لوستنه):

-12 +12
0.5x 2.0x
د پيپر، VITS، MeloTTS سره وړيا
ستاسو توليد شوي غږيز به دلته ښکاره شي. يو ماډل وټاکئ، ليکنه وليکﺉ، او توليد کېکاږﺉ.
غږ په برياليتوب سره جوړ شو
0:00
غږيز رالېښنې .srt ډاونلوډ تړنه په 24h کې پای ته رسیږي
وړیا طبقه: شخصي کارولو. د $ 5 / mo څخه سوداګریز جواز
TTS.ai مینه؟ خپل ملګرو ته ووایاست!

په اړه 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.

غوره د: Podcasts, dialogues, long-form narration, multi-speaker content

ټول لټول VibeVoice غږونه

په يوه کتنه کې

جوړوونکی
Microsoft
منښتليک
MIT
:د پاڼې نوم
standard
چټکتيا
fast
غږ کلونول
نه
ژبې
English, Chinese
ټولوجګه لوښه
50000

VibeVoice غږونه

Speaker 1

English
تلواله Neutral

Speaker 1 (Chinese)

Chinese
تلواله Neutral

Speaker 2

English
تلواله Neutral

Speaker 2 (Chinese)

Chinese
تلواله Neutral

Speaker 3

English
تلواله Neutral

Speaker 4

English
تلواله Neutral

VibeVoice د پوښتنو ځوابول

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. It supports English and Chinese and does not currently support voice cloning.
← ټول غږونه