VITS 1 - تكنولوجيا المعلومات والاتصالات
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
لف نصك في علامات SSML للتحكم الدقيق:
<speak><prosody rate="slow">Slow speech</prosody></speak>
العلامات التي يفهمها النموذج المختار — انقر لإسقاط واحدة في نصك حيث تحصل:
هذا النموذج يقرأ النص العادي، لذلك يتم تجاهل العلامات في السطر. للتعبير عن المشاعر القائمة على العلامات، انتقل إلى نموذج تعبيري مثل أورفيوس أو بارك.
تعريف النطق العادي (كلمة = نطق):
حول VITS
VITS — Variational Inference with adversarial learning for end-to-end Text-to-Speech — was introduced by Jaehyeon Kim and collaborators in 2021 and became a foundational architecture for modern neural speech. Rather than the older two-stage pipeline, it synthesizes audio in a single parallel end-to-end pass, pairing a variational autoencoder with normalizing flows and a GAN-style adversarial training process to lift naturalness. At about 25M parameters and trained on ~585 hours, it produces natural prosody at fast inference speeds and supports multiple speakers. It serves as a solid general-purpose, free baseline and underpins many later models such as Piper and MeloTTS.
أفضل لل: General-purpose text-to-speech with natural prosody
تصفح جميع VITS الأصواتلمحة عامة
- مطوِّر
- Jaehyeon Kim et al.
- الترخيص
- MIT
- الرتبة
- free
- السرعة
- fast
- استنساخ الصوت
- لا
- اللغات
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- الحد الأقصى للحروف
- 2000