VITS

VITS អត្ថបទ​ទៅ​សំឡេង

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

ចុះឈ្មោះ កំណត់​សម្រាប់​តួអក្សរ ៥, ០០០

រុំ​អត្ថបទ​របស់​អ្នក​ក្នុង​ស្លាក SSML សម្រាប់​ការ​ត្រួតពិនិត្យ​ជាក់លាក់ ៖

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

ស្លាក​ដែល​ម៉ូដែល​ដែល​បាន​ជ្រើស​យល់​ — ចុច​ដើម្បី​ទម្លាក់​មួយ​ទៅ​ក្នុង​អត្ថបទ​របស់​អ្នក​នៅ​កន្លែង​ដែល​វា​កើតឡើង ៖

ម៉ូដែល​នេះ​អាន​អត្ថបទ​ធម្មតា ដូច្នេះ​ស្លាក​ក្នុង​បន្ទាត់​ត្រូវ​បាន​មិន​អើពើ ។ សម្រាប់​អារម្មណ៍​ដែល​មាន​មូលដ្ឋាន​លើ​ស្លាក ប្ដូរ​ទៅ​ម៉ូដែល​បង្ហាញ​ដូច​ជា Orpheus ឬ Bark ។

កំណត់​ការ​បញ្ចេញ​សំឡេង​ផ្ទាល់ខ្លួន (ពាក្យ = ការ​បញ្ចេញ​សំឡេង) ៖

-12 +12
0.5x 2.0x
ឥតគិតថ្លៃ​ជាមួយ Piper, VITS, MeloTTS
អូឌីយ៉ូ​ដែល​បាន​បង្កើត​របស់​អ្នក​នឹង​លេចឡើង​នៅ​ទីនេះ ។ ជ្រើស​ម៉ូដែល បញ្ចូល​អត្ថបទ ហើយ​ចុច បង្កើត ។
បាន​បង្កើត​អូឌីយ៉ូ​ដោយ​ជោគជ័យ
0:00
ទាញយក​អូឌីយ៉ូ ទាញយក.srt តំណផុតកំណត់ក្នុង 24h
កម្រិត​ឥត​គិត​ថ្លៃ ៖ ការ​ប្រើ​ផ្ទាល់​ខ្លួន ។ អាជ្ញាប័ណ្ណពាណិជ្ជកម្មពី $5/ខែ
ធ្វើ​ឲ្យ​នេះ​ជា​សំឡេង​របស់​អ្នក ក្លូន​សំឡេង​ក្នុង ៣០ វិនាទី
ស្រឡាញ់ TTS.ai? ប្រាប់មិត្តភក្តិរបស់អ្នក!

អំពី 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.

ល្អបំផុត​សម្រាប់: General-purpose text-to-speech with natural prosody

រកមើល​ទាំងអស់ VITS សំឡេង

ទិដ្ឋភាព​ទូទៅ

អ្នក​អភិវឌ្ឍន៍
Jaehyeon Kim et al.
អាជ្ញាបណ្ណ
MIT
ផ្កាយ
free
ល្បឿន
fast
ការ​ក្លូន​សំឡេង
គ្មាន
ភាសា
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
តួអក្សរ​អតិបរមា
2000

VITS សំឡេង

CSS10 (Dutch)

Dutch
ឥត​គិត​ថ្លៃ Neutral

CSS10 (Finnish)

Finnish
ឥត​គិត​ថ្លៃ Neutral

CSS10 (French)

French
ឥត​គិត​ថ្លៃ Neutral

CSS10 (German)

German
ឥត​គិត​ថ្លៃ Neutral

CSS10 (Hungarian)

Hungarian
ឥត​គិត​ថ្លៃ Neutral

CSS10 (Spanish)

Spanish
ឥត​គិត​ថ្លៃ Neutral

Common Voice (Bulgarian)

Bulgarian
ឥត​គិត​ថ្លៃ Neutral

Common Voice (Portuguese)

Portuguese
ឥត​គិត​ថ្លៃ Neutral

Default

English
ឥត​គិត​ថ្លៃ Neutral

MAI (Polish)

Polish
ឥត​គិត​ថ្លៃ Female

MAI (Ukrainian)

Ukrainian
ឥត​គិត​ថ្លៃ Neutral

VITS TTS - សំណួរ​ដែល​សួរ​ញឹកញាប់

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.
← សំឡេង​ទាំងអស់