VibeVoice

VibeVoice TTS

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

Înscrie-te pentru limitele de 5000 de caractere

Întoarceți textul în etichetele SSML pentru un control precis:

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

Etichetele modelului selectat înțeleg — click pentru a lăsa unul în textul tău unde se întâmplă:

Acest model citește textul simplu, astfel încât etichetele inline sunt ignorate. Pentru emoții bazate pe tag, schimbați la un model expresiv cum ar fi Orpheus sau Bark.

Definiți pronunțiare personalizată (cuvânt = pronunție):

-12 +12
0.5x 2.0x
Gratuit cu Piper, VITS, MeloTTS
Audio generat va apărea aici. Alegeți un model, introduceți text și faceți clic pe Generați.
Audio generat cu succes
0:00
Descarcă audio Descărcare.srt Legătura expiră în 24 ore
Gratuit: utilizare personală. Licență comercială de la 5$/mo
Spune-i prietenilor tăi!

Despre 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.

Cel mai bun pentru: Podcasts, dialogues, long-form narration, multi-speaker content

Navigați toate VibeVoice voci

La o privire

Dezvoltator
Microsoft
Licență
MIT
Nivel
standard
Viteză
fast
Clonarea vocală
Nu.
Limbi
English, Chinese
Caractere maxime
50000

VibeVoice voci

Speaker 1

English
Standard Neutral

Speaker 1 (Chinese)

Chinese
Standard Neutral

Speaker 2

English
Standard Neutral

Speaker 2 (Chinese)

Chinese
Standard Neutral

Speaker 3

English
Standard Neutral

Speaker 4

English
Standard 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. It supports English and Chinese and does not currently support voice cloning.
← Toate vocile