VibeVoiceA szöveget természetes, több hangszórós hanganyaggá alakítsa át különböző MI-hangokkal másodpercek alatt.

A VibeVoice egy olyan AI eszköz, amely a szöveget természetesen hangzónak hallható, többféle hanggal rendelkező, különálló szavakkal jellemezhető audióba alakítja át. A Microsoft VALL-E X modell segítségével működik, és a VALL-E stílusú architektúrát használja a szövegből kiolvasó (TTS) feladatot nyelvmodellként kezelésére. Ezzel a módszerrel kivételesen természetes hangzású szöveg jön létre. A VibeVoice eszközt egy teljes színészgárdával ellátott, a megfékezhetetlen érzelmi megnyilvánlású, valószerűen érzelmes beszélgetéseket vezényel. Támogatja a többbeszélői fürtök összetartását, lehetővé téve, hogy a színvonalasabb hangokat generáljon az egyes lejátszó scriptből. A VibeVoice továbbá az általános nyelvi szintézisen túlmenően kínál határokon átnyúló nyelvi átalakítást, mely könnyedén átívelő egy angolra és egy kínaira, miközben a hiteles és folyamatos hangszínt biztosítja, s ami a kínálkozó folyamatos identitást is megőrzi. A VibeVoice legfontosabb jellemzője, hogy képes alaposan rögzíteni a humán beszéd finomságait és érzelmeit, olyan valószerűséggel, amely felülmúlja a konkurencia termékeket. A modell hosszabb időtartamokon is képes kialakítani egy természetes prosódiát és koherenciát, ami nagyszerűen megfelel a nagy felbontású audiósok és teljes hosszúságú rádiómúzeumok elvárásainak. Azon kívül, a VibeVoice a zéró-személy-teszt (zero-shot) képességgel rendelkezik, ami lehetővé teszi a személyre szabott hangok szintézisét rövid auditív szövegekből a 'kontextusban történő tanulási' segítségével. A VibeVoice egy olyan eszköz, amely profi audiótartalmak létrehozásához segít, és új szintet jelent az AI hangtechnológiának a minőséghez való ragaszkodásával, a valószerűséghez való ragaszkodásával és a kreativitás szabadságával kapcsolatos követelményekkel. Nyitott forráskódra épülő rendszer, amely a magas minőségű AI-hangtechnológiát bárki számára elérhetővé tette.