VibeVoiceOmforme tekst på sekunder til naturlig, multi-talende lyd med distinkte AI- stemmer.

VibeVoice er en AI-verktøysutvikler som omsetter tekst til naturlig-sønnende lyd med flere menneskelige stemmer. Verktøyet blir drevet av Microsofts VALL-E X-modell og bruker en VALL-E-stil arkitektur til å behandle teksten-til-tale (TTS) som en språklig modelering. Dette fører til en overordentlig naturlig klang. Verktøyet er laget for å dirigere naturlige samtaler med en fullstendig ensemble av AI-stemmer. Det støtter multi-snarermesteri, slik at det kan generere forskjellige stemmer fra ett skript. VibeVoice tilbyr også krysstalende syntese, hvor det smidig byttar mellom engelsk og kinesisk uten å miste sin konsistente stemmeidentitet. VibeVoice inneholder nyanserte prosodi og emosjoner i menneskelig tale, og gir en uovertruffen realisme. Modellen holder naturtro prosodi og sammenhengende tone over flere lange perioder, som gjør den egnet for lydbøker og hele lengder innspillinger. Dessuten har VibeVoice null-skjotskapasiteter, noe som gjør det mulig å syttere personaliserte stemmer fra kort audioinnspillinger gjennom ' kontekstuell læring.' VibeVoice fremstiller seg som en verktøyskasse for å skape profesjonelle lydinnhold, og tilbyer et nytt standard for kunstig intelligens-stemme-teknologi fokusert på kvalitet, realisme og kreativ frihet. Verktøyet er bygget løpende på en åpen kildekode-fond, og dette åpner for at avanserte AI-stemme-teknologier blir tilgjengelig for alle.