IndexTTS-2 TTS
A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.
ସଠିକ ନିୟନ୍ତ୍ରଣ ପାଇଁ SSML ଟ୍ୟାଗଗୁଡ଼ିକରେ ଆପଣଙ୍କର ପାଠ୍ୟକୁ ଲଗାନ୍ତୁ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ବଚ୍ଛିତ ନମୁନା ବୁଝିଥିବା ସୂଚକଗୁଡ଼ିକ - ଏହା ଘଟୁଥିବା ସ୍ଥାନକୁ ଆପଣଙ୍କର ପାଠ୍ୟରେ ଗୋଟିଏ ପକାଇବା ପାଇଁ କ୍ଲିକ କରନ୍ତୁ:
ଏହି ଆକାର ସରଳ ପାଠ୍ୟ ପଢ଼େ, ତେଣୁ ଅନ୍ତର୍ନିହିତ ସୂଚକଗୁଡ଼ିକୁ ଅଣଦେଖା କରାଯାଏ। ସୂଚକ ଆଧାରିତ ଅନୁଭୂତି ପାଇଁ, ଗୋଟିଏ ଅଭିବ୍ୟକ୍ତିମୂଳକ ଆକାରକୁ ପରିବର୍ତ୍ତନ କରନ୍ତୁ ଯେପରିକି Orpheus କିମ୍ବା Bark।
ଇଚ୍ଛାରୂପୀ ଉଚ୍ଚାରଣକୁ ବର୍ଣ୍ଣନା କରନ୍ତୁ (ଶବ୍ଦ = ଉଚ୍ଚାରଣ):
ବିଷୟରେ 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.
ପାଇଁ ଉତ୍ତମ: Emotionally expressive content, audiobooks, virtual assistants
ସମସ୍ତଙ୍କୁ ବ୍ରାଉଜ କରନ୍ତୁ IndexTTS-2 ଧ୍ୱନିଗୋଟିଏ ନଜରରେ
- ବିକାଶକାରୀ
- Index Team
- ଅନୁମତିପତ୍ର
- Bilibili Model License
- ତିଆର
- standard
- ବେଗ
- medium
- ଧ୍ୱନି କ୍ଲୋନିଂ
- ହଁ
- ଭାଷାName
- English, Chinese
- ସର୍ବାଧିକ ଅକ୍ଷର
- 1000