VITS

VITS TTSName

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

დარეგისტრირება 5000 სიმბოლოს საზღვარი

ტექსტის გადატანა SSML ჭდეებში ზუსტი კონტროლისთვის:

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

მონიშნული მოდელისთვის გასაგები ჭდეები - დააწკაპუნეთ, რომ ერთი ჭდე თქვენს ტექსტში ჩააგდოთ, სადაც ის მოხდება:

ეს მოდელი კითხულობს ჩვეულებრივ ტექსტს, ამიტომ შიგნით თავსებული ჭდეები იგნორირდება. ჭდეებზე დაფუძნებული ემოციებისთვის გადადით გამოხატვის მოდელში, როგორიცაა Orpheus ან Bark.

ინდივიდუალური გამოთქმების განსაზღვრა (სიტყვი = გამოთქმა):

-12 +12
0.5x 2.0x
თავისუფალი Piper, VITS, MeloTTS- ით
აქ გამოჩნდება თქვენი შექმნილი აუდიო. აირჩიეთ მოდელი, შეიყვანეთ ტექსტი და დააჭირეთ "შექმნა".
აუდიო წარმატებით შექმნილია
0:00
აუდიოს ჩამოტვირთვა ჩამოტვირთვა ბმულის ვადა მთავრდება 24 საათში
Freeware: თავისუფალი პროგრამა. კომერციული ლიცენზია $5/თვედან
ჟაკაქ TTS.ai? კაზთ თმ ნა ოპთ£არვლთრვ ჟთ!

ინფორმაცია 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.

საუკეთესოა: General-purpose text-to-speech with natural prosody

ყველას დათვალიერება VITS ხმა

ჟ მალკჲ ოჲდლვენსგაŒვ

პროგრამისტი
Jaehyeon Kim et al.
ლიცენზია
MIT
იანვარი
free
სიჩქარე
fast
ხმა
ნვ, ნვ ჟყმ.
ენაName
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
სიმბოლოების მაქსიმალური რაოდენობა
2000

VITS ხმა

CSS10 (Dutch)

Dutch
თავისუფალი Neutral

CSS10 (Finnish)

Finnish
თავისუფალი Neutral

CSS10 (French)

French
თავისუფალი Neutral

CSS10 (German)

German
თავისუფალი Neutral

CSS10 (Hungarian)

Hungarian
თავისუფალი Neutral

CSS10 (Spanish)

Spanish
თავისუფალი Neutral

Common Voice (Bulgarian)

Bulgarian
თავისუფალი Neutral

Common Voice (Portuguese)

Portuguese
თავისუფალი Neutral

Default

English
თავისუფალი Neutral

MAI (Polish)

Polish
თავისუფალი Female

MAI (Ukrainian)

Ukrainian
თავისუფალი Neutral

VITS TTS - ხშირად დასმული კითხვები

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.
← ყველა ხმა