GPT-SoVITS

GPT-SoVITS ТТС

A few-shot voice cloning model that replicates a voice — and can even sing — from as little as five seconds of audio.

Регистрация 5000 символга кадәр

Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:

Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.

Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS белән бушлай
Сезнең барлыкка китерелгән аудио монда күренәчәк. Модельне сайлагыз, мәтнне кертегез, һәм "Ярату" төймәсен басыгыз.
Аудио уңышлы төзелде
0:00
Аудио йөкләү .srt файлын төшерү Сүзнең вакыты 24 сәгатьтән соң бетә
РФ су реестры мәгълүматлары: Персона. Коммерцияле лицензия $5/аена
TTS.ai-ны яратасызмы? Дусларыгызга сөйләгез!

Бәйләнешләр GPT-SoVITS

GPT-SoVITS, created by the developer known as RVC-Boss, combines GPT-style language modeling with SoVITS (Singing Voice Conversion / synthesis) to deliver some of the most accessible voice cloning in open source. With as little as five seconds of reference audio it captures a speaker's timbre and style, and it stands out from most TTS models in handling singing as well as speech. It works across English, Chinese, Japanese, and Korean and supports cross-lingual generation, so a cloned voice can speak a language the reference clip never used. It is widely used by content creators for voice replication, dubbing, and song covers, and reaches high fidelity for a model of its size.

Иң яхшысы: Voice cloning, singing synthesis, content creator voice replication

Барлыгын карау GPT-SoVITS тавышлар

Бер карашка

Программист
RVC-Boss
Лицензия
MIT
Гыйнвар
standard
Югары тизлек
slow
Сүзләрне клонлау
Әйе
Телләр
English, Chinese, Japanese, Korean
Макс. символлар саны
500

GPT-SoVITS тавышлар

Default

Chinese
Стандарт Neutral

English Default

English
Стандарт Neutral

Japanese Default

Japanese
Стандарт Neutral

Korean Default

Korean
Стандарт Neutral

GPT-SoVITS РФ су реестры мәгълүматлары: Фурга.

As little as five seconds. It uses few-shot learning, so a short reference clip is enough to capture a speaker, though a cleaner and slightly longer sample improves similarity.

Yes. Its SoVITS lineage comes from singing voice synthesis, so unlike most TTS models it can generate singing as well as spoken voice, which is why it is popular for song covers.

English, Chinese, Japanese, and Korean, with cross-lingual synthesis — a voice cloned from one language can be made to speak the others.
← Барлык тавышлар