VibeVoice

VibeVoice TTS

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

قوشۇل 5000 ھەرپ چەكلىمىسى

توغرا كونترول قىلىش ئۈچۈن تېكىستنى SSML تېگلىرى ئىچىگە ئايلاندۇرۇش:

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

تاللانغان مودېل چۈشىنىدىغان تېگلەر - بىرىنى تېكىستىڭىزگە چۈشۈرۈش ئۈچۈن چېكىڭ:

بۇ مودىل ئاددىي تېكىستنى ئوقۇيدۇ، شۇڭا سۈرەتتە بار چەكلىمىلەر قوبۇل قىلىنمايدۇ. چەكلىمىلەرگە ئاساسەن ھېسسىياتنى ئىپادىلەش ئۈچۈن Orpheus ياكى Bark دەك ئىپادىلەش مودىلىغا ئۆزگەرتىشكە بولىدۇ.

خالىغان ئىپادىلەشنى بەلگىلەش (سۆز = ئىپادىلەش):

-12 +12
0.5x 2.0x
Piper، VITS، MeloTTS بىلەن ھەقسىز
سىز ياسىغان ئاۋاز بۇ يەردە كۆرۈنىدۇ. بىر تۈرنى تاللاپ، تېكىستنى كىرگۈزۈپ، ياسىغىن نى چېكىڭ.
ئاۋاز مۇۋەپپەقىيەتلىك ياسالدى
0:00
ئاۋازنى چۈشۈرۈش .srt چۈشۈرۈش سەۋەب 24 سائەت ئىچىدە ئۆتىدۇ
TTS.ai نى ياخشى كۆرەمسىز؟ دوستلىرىڭىزغا ئېيتىپ بېرىڭلار!

توغرىسىدا 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.

ئەڭ ياخشىسى: Podcasts, dialogues, long-form narration, multi-speaker content

ھەممىنى كۆرۈش VibeVoice ئاۋازلار

بىر كۆزىتىش

ئىجادىيەتچى
Microsoft
ئىجازەتنامە
MIT
ھايۋان
standard
تېزلىك
fast
ئاۋازنى كۆچۈرۈش
يوق
تىللار
English, Chinese
ئەڭ كۆپ ھەرپ
50000

VibeVoice ئاۋازلار

Speaker 1

English
ئۆلچەملىك Neutral

Speaker 1 (Chinese)

Chinese
ئۆلچەملىك Neutral

Speaker 2

English
ئۆلچەملىك Neutral

Speaker 2 (Chinese)

Chinese
ئۆلچەملىك Neutral

Speaker 3

English
ئۆلچەملىك Neutral

Speaker 4

English
ئۆلچەملىك Neutral

VibeVoice TTS - كۆپ سورالغان سوئاللار

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.
← ھەممىسى ئاۋاز