VibeVoice

При создании подкастов или длинных аудиокниг стандартные бесплатные TTS-инструменты обычно умеют синтезировать только несколько минут речи. Диалоги с несколькими участниками звучат жёстко и неестественно, без реалистичности.

Недавно Microsoft выложила в опенсорс модель для синтеза речи VibeVoice. Она умеет напрямую генерировать естественные диалоги до 90 минут.

Модель работает не только с очень длинным текстом, но и поддерживает до 4 разных говорящих. Она может автоматически добавлять фоновые звуки и музыку в зависимости от контента.

📁 Language: #Python 100%

⭐️ Stars: 4.4k

➡️ Cсылка на GitHub

📱 @git_developer