VITS TTS
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
לעטוף את הטקסט שלך בתגי SSML לשליטה מדויקת:
<speak><prosody rate="slow">Slow speech</prosody></speak>
שם התוויות של המודל הנבחר הוא □ לחץ כדי להפיל אחד לתוך הטקסט שלך שבו הוא קורה:
המודל הזה קורא טקסט רגיל, כך שמתעלמים מתגי ההצפנה של רגש מבוסס תג, עבור מודל אקספרסיבי כמו אורפיאוס או ברק.
הגדר הגייה מותאמת אישית (מילה = הגייה):
אודות 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.
הטוב ביותר עבור: General-purpose text-to-speech with natural prosody
עיין בכל VITS קולותבמבט חטוף
- מפתח
- Jaehyeon Kim et al.
- רישיון
- MIT
- Tier
- free
- מהירות
- fast
- שיבוט קולי
- לא.
- שפות
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- תווים מרביים
- 2000