VITS TTS
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
Düzgün idarə üçün mətninizi SSML lentlərinə sarılın:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Seçilmiş modelin anladığı etiketlər - mətninizi mətn daxilində buraxmaq üçün basın:
Bu model sadə mətn oxuyur, buna görə də sətir içi təqvimlər nəzərə alınmır. təqvim əsaslı hisslər üçün Orpheus və ya Bark kimi ifadəli modellərə keçin.
Özəl səsləndirmələri təsvir et (söz = səsləndirmə):
Bağlan 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.
Ən Yaxşı: General-purpose text-to-speech with natural prosody
Hamısını Gəz VITS səslərBir baxışda
- Yaradıcı
- Jaehyeon Kim et al.
- Lisenziya
- MIT
- Tərcümə
- free
- Sür'ət
- fast
- Sesi təkrarla
- No
- Dillər
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- Max karakterlər
- 2000