VITS

VITS TTS

The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.

Qeyd Et 5,000 karakter həddi

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):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS ilə pulsuz
Yaratdığınız səs burada görünəcək. Bir model seçin, mətni daxil edin və Yarat düyməsini basın.
Audio müvəffəqiyyətlə yaradıldı
0:00
Audio endirilsin Yüklə Körpünün müddəti 24 saat ərzində başa çatır
Free tier: şəxsi istifadə üçün. $5/mo-dan ticarət lisenziyası
TTS.ai-ni sevirsiniz? Dostlarınıza deyin!

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 səslər

Bir 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

VITS səslər

CSS10 (Dutch)

Dutch
Pulsuz Neutral

CSS10 (Finnish)

Finnish
Pulsuz Neutral

CSS10 (French)

French
Pulsuz Neutral

CSS10 (German)

German
Pulsuz Neutral

CSS10 (Hungarian)

Hungarian
Pulsuz Neutral

CSS10 (Spanish)

Spanish
Pulsuz Neutral

Common Voice (Bulgarian)

Bulgarian
Pulsuz Neutral

Common Voice (Portuguese)

Portuguese
Pulsuz Neutral

Default

English
Pulsuz Neutral

MAI (Polish)

Polish
Pulsuz Female

MAI (Ukrainian)

Ukrainian
Pulsuz Neutral

VITS TTS — FAQ

VITS means Variational Inference with adversarial learning for end-to-end Text-to-Speech. It generates audio in a single parallel pass using a variational autoencoder, normalizing flows, and adversarial (GAN) training, rather than a two-stage pipeline.

Yes. VITS is MIT-licensed and in the free tier, so it can be used commercially.

On TTS.ai, VITS covers 11 languages including English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, and Polish, with multi-speaker support. It does not do voice cloning.
← Bütün səslər