VibeVoice

VibeVoice เสียง

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

ลงทะเบียน สำหรับจำกัดตัวอักษร 5,000 ตัว

หมุนข้อความของคุณในแท็ก SSML เพื่อควบคุมอย่างแม่นยำ:

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

แท็กที่โมเดลที่เลือกไว้เข้าใจ - คลิกเพื่อวางแท็กลงในข้อความของคุณที่มันเกิดขึ้น:

โมเดลนี้อ่านข้อความธรรมดา ดังนั้น แท็กในบรรทัดจะถูกละเลย สำหรับอารมณ์ที่ใช้แท็ก เปลี่ยนไปใช้โมเดลแสดงออก เช่น Orpheus หรือ Bark

ตั้งค่าการออกเสียงที่กำหนดเอง (คำ = การออกเสียง):

-12 +12
0.5x 2.0x
ใช้ฟรีกับไพเปอร์, VITS, MeloTTS
เสียงที่สร้างขึ้นจะปรากฏที่นี่ เลือกโมเดล พิมพ์ข้อความ และคลิกที่ สร้าง
สร้างเสียงสำเร็จแล้ว
0:00
ดาวน์โหลดเพลง ดาวน์โหลด ลิงก์หมดอายุใน 24 ชั่วโมง
ระดับฟรี: ใช้ส่วนตัว ใบอนุญาตเชิงพาณิชย์จาก $5/เดือน
ทำเสียงนี้เป็นเสียงของตัวเอง โคลนเสียงใน 30 วินาที
รัก TTS.ai บอกเพื่อนๆ

เกี่ยวกับ 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.

เหมาะสำหรับ: Podcasts, dialogues, long-form narration, multi-speaker content

แสดงทั้งหมด VibeVoice เสียง

เพียงแค่มองดู

ผู้พัฒนา
Microsoft
ใบอนุญาต
MIT
สัตว์
standard
ความเร็ว
fast
เสียง
ไม่มี
ภาษา
English, Chinese
จำนวนตัวอักษรสูงสุด
50000

VibeVoice เสียง

Speaker 1

English
ค่ามาตรฐาน Neutral

Speaker 1 (Chinese)

Chinese
ค่ามาตรฐาน Neutral

Speaker 2

English
ค่ามาตรฐาน Neutral

Speaker 2 (Chinese)

Chinese
ค่ามาตรฐาน Neutral

Speaker 3

English
ค่ามาตรฐาน Neutral

Speaker 4

English
ค่ามาตรฐาน Neutral

VibeVoice คำถามที่พบบ่อย

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.
← เสียงทั้งหมด