VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
නිවැරදි පාලනය සඳහා SSML ටැග් ඔබේ පෙළ ආවරණය:
<speak><prosody rate="slow">Slow speech</prosody></speak>
තෝරාගත් ආකෘතිය තේරුම් ටැග් - එය සිදුවන තැන ඔබේ පෙළ එක් වැටීමට ක්ලික් කරන්න:
මෙම ආකෘතිය සරල පෙළ කියවනවා, ඒ නිසා inline ටැග් නොසලකා හැර ඇත. ටැග් පදනම් හැඟීම් සඳහා, Orpheus හෝ Bark වැනි ප්රකාශාත්මක ආකෘතිය මාරු.
අභිරුචි උච්චාරණය අර්ථ දක්වන්න (වචනය = උච්චාරණය):
ගැන 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.
සඳහා හොඳම: Podcasts, dialogues, long-form narration, multi-speaker content
සියල්ල ගවේශනය කරන්න VibeVoice හඬකෙටියෙන්
- සංවර්ධක
- Microsoft
- බලපත්රය
- MIT
- සත්ත්වයා
- standard
- වේගය
- fast
- හඬ ක්ලෝන කිරීම
- නෑ
- භාෂා
- English, Chinese
- උපරිම අකුරු
- 50000