VibeVoiceПеретворюйте текст у природний, багатозвучий аудіо з унікальними AI‑голосами за секунди.

VibeVoice — це інструмент на базі штучного інтелекту, який перетворює текст у природне звучання аудіо з кількома різними голосами. Він працює на моделі Microsoft VALL‑E X і використовує архітектуру в стилі VALL‑E, щоб перетворити task TTS у задачу мовної моделі. Такий підхід дозволяє створювати надзвичайно реалістичний голос. Інструмент призначений для організації живих розмов з повним ансамблем AI‑голосів. Він підтримує багатозвучність, дозволяючи генерувати різні голоси з одного скрипта. VibeVoice також пропонує крос‑мовну синтезу, плавно перемикаючи між англійською та китайською, зберігаючи єдину голосову ідентичність. Ключові можливості VibeVoice включають здатність захоплювати тонку прозодику і емоції людської мови, що забезпечує неперевершену реалістичність. Модель може підтримувати природну прозоду і послідовність протягом тривалого часу, що робить її придатною для аудіокниг і повноформатних подкастів. Крім того, VibeVoice має можливості zero-shot, що дозволяє синтезувати персоналізовані голоси за короткими аудіо-підказками через «in‑context learning». VibeVoice позиціонується як інструмент для створення професійного аудіоконтенту, пропонуючи новий стандарт технології AI‑голосів з акцентом на якість, реалістичність і креативну свободу. Він побудований на відкритій основі, роблячи технологію високоякісних AI‑голосів доступною для всіх.