IndexTTS-2 TTS
A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.
တိကျသောထိန်းချုပ်မှုများအတွက် SSML tags များအတွင်းသင်၏စာသားကို Wrap:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Tags ရွေးချယ်ထားသောမော်ဒယ်နားလည် — ဒါဟာဖြစ်ပျက်တဲ့နေရာမှာသင့်ရဲ့စာသားထဲသို့တစ်ဦး drop ကိုကလစ်နှိပ်ပါ:
ဒီပုံစံကိုရိုးရှင်းတဲ့စာသားဖတ်ရှု, ဒါကြောင့် inline tags တွေကိုလျစ်လျူရှုနေကြသည်။ tag ကိုအခြေခံစိတ်ခံစားမှုအတွက်, Orpheus သို့မဟုတ် Bark ကဲ့သို့သောဖော်ပြမှုပုံစံသို့ switch.
custom pronunciations ကိုသတ်မှတ်ပါ (word = pronunciation):
အကြောင်း 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.
အကောင်းဆုံး: Emotionally expressive content, audiobooks, virtual assistants
အားလုံးကို ရှာဖွေ IndexTTS-2 အသံများတစ်ချက်ကြည့်ပါ
- ဖန်တီးသူ
- Index Team
- လိုင်စင်
- Bilibili Model License
- အမျိုးအစား
- standard
- အမြန်နှုန်း
- medium
- အသံကို ကူးယူခြင်း
- ဟုတ်ကဲ့
- ဘာသာစကားများ
- English, Chinese
- အက္ခရာအရေအတွက်
- 1000