טעקסט צו שפּראַך אױסגלײַכונג מוזיק טעקסט פֿאַרב שריפֿט גרײס שפּראַך־פֿאַרב מארקפלעצער מער
װײַז דורכפֿאַל/פֿעיִקײט־בקשה
VibeVoice

VibeVoice TTS

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

0/500 שריפֿטצײכן · אַרײַנשרײַבן זיך פֿאַר 5,000 פּער װעלט →
אַרײַנשרײַבן פֿאַר 5,000 שריפֿטצײכן

איבער־פֿאַרקער דעם טעקסט אין SSML הענטלעך פֿאַר אַ פּשוטער קאָנטראָל:

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

הענטלעך װאָס דער אויסגעקליבן מאָדעל פֿאַרשטײט — קליק צו אַרײַנשרײַבן אײן אין װײַז־טעקסט װוּ עס פּאַסט זיך:

דאָס מאָדעל לייענט נאָרמאַלן טעקסט, אַזוי אַרײַנגעלייגטע הענטלעך ווערן איגנאָרירט. פֿאַר הענטלעך־באזירטע װײַב־איגנאָרירונג, װײַז צו אַ װײַז־מאָדעל װי אורפיאָ אָדער װאַרק

װײַז פֿאָרױסװײַז

-12 +12
0.5x 2.0x
פֿרײַ מיט Piper, VITS, MeloTTS
די אױדיו־טעקע װעט דאָ װײַזן זיך. קלײַב אַ מאָדעל אױס, אַרײַנשרײַב דעם טעקסט און קליק אױף אױסשרײַבן
אוודיאָ אױסגעגרײט
0:00
דאַונלאָוד אַרײַנשטעלן.srt פֿאַרבינדונג ענדיקט זיך אין 24 שעה
פרייע מדרגה: פּערזענלעכער ניצן קאָממערשעל ליסענסע פֿון $5/חודש
ליבע TTS.ai? זאָגן דיין פריינט

אױף 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.

בעסטער פֿאַר: Podcasts, dialogues, long-form narration, multi-speaker content

בלעטער VibeVoice שריפֿטצײכן

אין אַ שריט

אַנטוויקלער
Microsoft
לינקס
MIT
װײַז
standard
שאַטירונג
fast
שפּראַך
ניט
שפּראַכן
English, Chinese
גרעסטע שריפֿטצײכן
50000

VibeVoice שריפֿטצײכן

Speaker 1

English
סטאַנדאַרד Neutral

Speaker 1 (Chinese)

Chinese
סטאַנדאַרד Neutral

Speaker 2

English
סטאַנדאַרד Neutral

Speaker 2 (Chinese)

Chinese
סטאַנדאַרד Neutral

Speaker 3

English
סטאַנדאַרד Neutral

Speaker 4

English
סטאַנדאַרד Neutral

VibeVoice FAQ

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.
← אַלע שפּראַכן