IndexTTS-2 អត្ថបទទៅសំឡេង
A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.
រុំអត្ថបទរបស់អ្នកក្នុងស្លាក SSML សម្រាប់ការត្រួតពិនិត្យជាក់លាក់ ៖
<speak><prosody rate="slow">Slow speech</prosody></speak>
ស្លាកដែលម៉ូដែលដែលបានជ្រើសយល់ — ចុចដើម្បីទម្លាក់មួយទៅក្នុងអត្ថបទរបស់អ្នកនៅកន្លែងដែលវាកើតឡើង ៖
ម៉ូដែលនេះអានអត្ថបទធម្មតា ដូច្នេះស្លាកក្នុងបន្ទាត់ត្រូវបានមិនអើពើ ។ សម្រាប់អារម្មណ៍ដែលមានមូលដ្ឋានលើស្លាក ប្ដូរទៅម៉ូដែលបង្ហាញដូចជា Orpheus ឬ Bark ។
កំណត់ការបញ្ចេញសំឡេងផ្ទាល់ខ្លួន (ពាក្យ = ការបញ្ចេញសំឡេង) ៖
អំពី IndexTTS-2
IndexTTS-2, from the Index Team, is an expressive text-to-speech system that pairs zero-shot voice synthesis with precise emotional control. Rather than relying on emotion-labeled training data, it uses emotion vectors to dial in tones like happy, sad, angry, or fearful independently of the voice itself. Built on a Qwen2 backbone with BigVGAN as the vocoder, it supports English and Chinese and can clone a voice from roughly five seconds of reference audio. It suits audiobooks, virtual assistants, and any content where the same voice needs to shift emotional register. Its weights use the Bilibili Model License, which permits commercial use below large usage and revenue thresholds.
ល្អបំផុតសម្រាប់: Emotionally expressive content, audiobooks, virtual assistants
រកមើលទាំងអស់ IndexTTS-2 សំឡេងទិដ្ឋភាពទូទៅ
- អ្នកអភិវឌ្ឍន៍
- Index Team
- អាជ្ញាបណ្ណ
- Bilibili Model License
- ផ្កាយ
- standard
- ល្បឿន
- medium
- ការក្លូនសំឡេង
- បាទ/ ចាស
- ភាសា
- English, Chinese
- តួអក្សរអតិបរមា
- 1000