VibeVoice

VibeVoice ТТС

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

Подписывайся. для 5 000 символов

Заверните текст в SSML для точного контроля:

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

Помечает выбранную модель, которая понимает — нажмите, чтобы выкинуть одну в ваш текст, где она случается:

Эта модель читает простой текст, поэтому встраиваемые метки игнорируются. Для эмоций на основе метки переключайтесь на экспрессивную модель, как Орфей или Барк.

Определить традиционные произношения (слово = произношение):

-12 +12
0.5x 2.0x
Бесплатно с Пайпер, VITS, MeloTTS
Ваш генерированный звук появится здесь. Выберите модель, введите текст и нажмите на Генератор.
Аудиовизна успешно генерирована
0:00
Загрузить звук Загрузка. st Ссылка истекает в 24 ч.
Свободный уровень: личное использование. Коммерческая лицензия из 5 долл. США/мо
Нравится TTS.ai? Расскажите друзьям!

О том, что 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.

Лучший для: Podcasts, dialogues, long-form narration, multi-speaker content

Просмотр VibeVoice голоса

Взгляните.

Разработчик
Microsoft
Лицензия
MIT
Тяжелый
standard
Скорость
fast
Клонирование голоса
Нет
Знание языков
English, Chinese
Максимум символов
50000

VibeVoice голоса

Speaker 1

English
Стандартные Neutral

Speaker 1 (Chinese)

Chinese
Стандартные Neutral

Speaker 2

English
Стандартные Neutral

Speaker 2 (Chinese)

Chinese
Стандартные Neutral

Speaker 3

English
Стандартные Neutral

Speaker 4

English
Стандартные 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.
← Все голоса