VibeVoice ТТС
Microsoft's multi-speaker long-form model that generates up to 90 minutes with 4 distinct speakers.
Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:
Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.
Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):
Бәйләнешләр 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.
Иң яхшысы: Podcasts, dialogues, long-form narration, multi-speaker content
Барлыгын карау VibeVoice тавышларБер карашка
- Программист
- Microsoft
- Лицензия
- MIT
- Гыйнвар
- standard
- Югары тизлек
- fast
- Сүзләрне клонлау
- Юк
- Телләр
- English, Chinese
- Макс. символлар саны
- 50000