IndexTTS-2 ТТС
A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Emotionally expressive content, audiobooks, virtual assistants
Баарын кароо IndexTTS-2 үнБир көз салуу
- Жазуучу
- Index Team
- Лицензия
- Bilibili Model License
- Тигр
- standard
- Жылдамдыгы
- medium
- Сөздү клондоо
- Ооба
- Тилдер
- English, Chinese
- Макс. символдор
- 1000