VITS TTS
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
Ձեր տեքստը SSML տեգերի մեջ տեղադրել ճշգրիտ կառավարման համար.
<speak><prosody rate="slow">Slow speech</prosody></speak>
Ընտրված մոդելի կողմից ընկալվող պիտակներ — սեղմեք դրանք ձեր տեքստում տեղադրելու համար:
Այս մոդելը կարդում է պարզ տեքստը, այնպես որ ներառված տեքստերը անտեսվում են։ Տեքստերի վրա հիմնված էմոցիաների համար փոխեք արտահայտիչ մոդել, ինչպես Orpheus կամ Bark։
Որոշել սեփական արտասանությունը (բառ = արտասանություն):
Ընդհանուր 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.
Լավագույնը: General-purpose text-to-speech with natural prosody
Ընթերցել բոլորը VITS ձայներՀակառակորդի դիրքը
- Հեղինակ
- Jaehyeon Kim et al.
- Լիցենզիա
- MIT
- Դադար
- free
- արագություն
- fast
- Ձայնի կլոնավորում
- Ոչ
- Լեզուներ
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- Օգտագործված ռեժիմ
- 2000