VITS

VITS TTS

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

নিবন্ধন করুন ৫,০০০ অক্ষরের সীমা

নির্দিষ্ট নিয়ন্ত্রণের জন্য আপনার লেখাকে এস- এস- এম- এল ট্যাগ- এ ঢোকাও:

<speak><prosody rate="slow">Slow speech</prosody></speak>

নির্বাচিত মডেল যে ট্যাগগুলি বুঝে — আপনার লেখায় যেখানে তা ঘটে সেখানে একটি ট্যাগ স্থাপন করতে ক্লিক করুন:

এই মডেলটি প্লেইন টেক্সট পড়ে, তাই ইনলাইন ট্যাগগুলি উপেক্ষা করা হয়। ট্যাগ-ভিত্তিক আবেগ-প্রবণতার জন্য, Orpheus বা Bark-এর মত একটি প্রকাশক মডেলে পরিবর্তন করুন।

স্বনির্বাচিত উচ্চারণ নির্ধারণ করো (শব্দ = উচ্চারণ):

-12 +12
0.5x 2.0x
পাইপার, VITS, MeloTTS এর সাথে বিনামূল্যে
আপনার তৈরিকৃত অডিও এখানে দেখা যাবে। একটি মডেল বেছে নিন, টেক্সট লিখুন এবং তৈরি করো ক্লিক করুন।
অডিও সফলভাবে তৈরি করা হয়েছে
0:00
অডিও ডাউনলোড করো .srt ডাউনলোড করুন ২৪ ঘণ্টার মধ্যে লিঙ্কের মেয়াদ শেষ হবে
ফ্রি টাইর: ব্যক্তিগত ব্যবহারের জন্য। $5/মাসে বাণিজ্যিক লাইসেন্স
TTS.ai পছন্দ করেন? আপনার বন্ধুদের বলুন!

পরিচিতি 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.

এর জন্য সেরা: General-purpose text-to-speech with natural prosody

সব ব্রাউজ করুন VITS শব্দ

এক নজরে

ডেভেলপার
Jaehyeon Kim et al.
লাইসেন্স
MIT
টাইমার
free
গতি
fast
শব্দের ক্লোন
না
ভাষা
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
সর্বোচ্চ অক্ষর
2000

VITS শব্দ

CSS10 (Dutch)

Dutch
মুক্ত Neutral

CSS10 (Finnish)

Finnish
মুক্ত Neutral

CSS10 (French)

French
মুক্ত Neutral

CSS10 (German)

German
মুক্ত Neutral

CSS10 (Hungarian)

Hungarian
মুক্ত Neutral

CSS10 (Spanish)

Spanish
মুক্ত Neutral

Common Voice (Bulgarian)

Bulgarian
মুক্ত Neutral

Common Voice (Portuguese)

Portuguese
মুক্ত Neutral

Default

English
মুক্ত Neutral

MAI (Polish)

Polish
মুক্ত Female

MAI (Ukrainian)

Ukrainian
মুক্ত Neutral

VITS TTS - ফ্যাক্টস

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.
← সব শব্দ