VITS

VITS ТТС

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

Каттоо 5000 символго чейин

Текстти SSML тегдерине өткөрүп берүү:

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

Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:

Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.

Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS менен акысыз
Сиздин түзүлгөн аудио файлыңыз бул жерде пайда болот. Модель тандап, текстти киргизип, Жаңылоо баскычын басыңыз.
Аудио ийгиликтүү түзүлгөн
0:00
Аудиону жүктөп алуу .srt жүктөп алуу Ссылканын мөөнөтү 24 сааттан кийин аяктайт
Free level: жеке колдонуу. Коммерциялык лицензия $5/айдан
Бул үндү өзүңүздүн үнүңүзгө айландырыңыз 30 секундда үндү клондоо
TTS.ai сизге жактыбы? Досторуңузга айтып коюңуз!

Маалымат 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.

Эң жакшысы: General-purpose text-to-speech with natural prosody

Баарын кароо VITS үн

Бир көз салуу

Жазуучу
Jaehyeon Kim et al.
Лицензия
MIT
Тигр
free
Жылдамдыгы
fast
Сөздү клондоо
Жок
Тилдер
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
Макс. символдор
2000

VITS үн

CSS10 (Dutch)

Dutch
Акысыз Neutral

CSS10 (Finnish)

Finnish
Акысыз Neutral

CSS10 (French)

French
Акысыз Neutral

CSS10 (German)

German
Акысыз Neutral

CSS10 (Hungarian)

Hungarian
Акысыз Neutral

CSS10 (Spanish)

Spanish
Акысыз Neutral

Common Voice (Bulgarian)

Bulgarian
Акысыз Neutral

Common Voice (Portuguese)

Portuguese
Акысыз Neutral

Default

English
Акысыз Neutral

MAI (Polish)

Polish
Акысыз Female

MAI (Ukrainian)

Ukrainian
Акысыз Neutral

VITS ТТС — Жогорудагы суроолор

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.
← Бардык үн