IndexTTS-2 ТТС
A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.
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):
Бәйләнешләр 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.
Иң яхшысы: Emotionally expressive content, audiobooks, virtual assistants
Барлыгын карау IndexTTS-2 тавышларБер карашка
- Программист
- Index Team
- Лицензия
- Bilibili Model License
- Гыйнвар
- standard
- Югары тизлек
- medium
- Сүзләрне клонлау
- Әйе
- Телләр
- English, Chinese
- Макс. символлар саны
- 1000