VibeVoice TTS
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Rrotullo tekstin në etiketa SSML për kontroll të saktë:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Tags që modeli i zgjedhur i kupton - kliko për të vendosur një në tekstin tuaj ku ndodh:
Ky model lexon tekst të thjeshtë, kështu që etiketat e brendshme injorohen. Për emocione të bazuara në etiketa, kalo në një model shprehës si Orpheus ose Bark.
Përcakto përkthimin e personalizuar (fjalë = përkthim):
Për 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.
Më i miri për: Podcasts, dialogues, long-form narration, multi-speaker content
Shfleto gjithçka VibeVoice zëraMe një sy
- Programues
- Microsoft
- Liçenca
- MIT
- Animal
- standard
- Shpejtësia
- fast
- Klonimi i zërit
- Jo.
- Gjuhë
- English, Chinese
- Maksimumi i gërmave
- 50000