VibeVoiceConvertiți textul în audio natural, cu mai mulți vorbitori și voci distincte de inteligență artificială în câteva secunde.

VibeVoice este un instrument de inteligență artificială care transformă textul în audio cu sunet natural și voci distincte. Este alimentat de modelul VALL-E X al Microsoft și utilizează o arhitectură de tip VALL-E pentru a trata text-to-speech (TTS) ca o sarcină de modelare a limbajului. Această abordare permite obținerea de vorbire cu un sunet excepțional de natural. Instrumentul este conceput pentru a orchestra conversații realiste cu o întreagă distribuție de voci AI. Suportă stăpânirea vorbitorilor multipli, permițându-i să genereze voci distincte dintr-un singur script. VibeVoice oferă, de asemenea, sinteză translingvistică, comutând fără probleme între engleză și chineză, menținând în același timp o identitate vocală consistentă. Caracteristicile cheie ale VibeVoice includ capacitatea sa de a captura prosodia subtilă și emoția vorbirii umane, oferind un realism fără egal. Modelul poate menține prosodia naturală și coerența pe durate prelungite, făcându-l potrivit pentru cărți audio și podcasturi cu durată completă. În plus, VibeVoice are capacități zero-shot, permițând sinteza vocilor personalizate din scurte prompt-uri audio prin 'învățare în context'. VibeVoice este poziționat ca un instrument pentru crearea de conținut audio profesional, oferind un nou standard pentru tehnologia vocală AI, cu accent pe calitate, realism și libertate creativă. Este construit pe o bază open-source, făcând tehnologia vocală AI de înaltă calitate accesibilă tuturor.