VITS

VITS ТТС

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

Подписывайся. для 5 000 символов

Заверните текст в SSML для точного контроля:

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

Помечает выбранную модель, которая понимает — нажмите, чтобы выкинуть одну в ваш текст, где она случается:

Эта модель читает простой текст, поэтому встраиваемые метки игнорируются. Для эмоций на основе метки переключайтесь на экспрессивную модель, как Орфей или Барк.

Определить традиционные произношения (слово = произношение):

-12 +12
0.5x 2.0x
Бесплатно с Пайпер, VITS, MeloTTS
Ваш генерированный звук появится здесь. Выберите модель, введите текст и нажмите на Генератор.
Аудиовизна успешно генерирована
0:00
Загрузить звук Загрузка. st Ссылка истекает в 24 ч.
Свободный уровень: личное использование. Коммерческая лицензия из 5 долл. США/мо
Нравится TTS.ai? Расскажите друзьям!

О том, что 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.

Лучший для: General-purpose text-to-speech with natural prosody

Просмотр VITS голоса

Взгляните.

Разработчик
Jaehyeon Kim et al.
Лицензия
MIT
Тяжелый
free
Скорость
fast
Клонирование голоса
Нет
Знание языков
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
Максимум символов
2000

VITS голоса

CSS10 (Dutch)

Dutch
Свободные Neutral

CSS10 (Finnish)

Finnish
Свободные Neutral

CSS10 (French)

French
Свободные Neutral

CSS10 (German)

German
Свободные Neutral

CSS10 (Hungarian)

Hungarian
Свободные Neutral

CSS10 (Spanish)

Spanish
Свободные Neutral

Common Voice (Bulgarian)

Bulgarian
Свободные Neutral

Common Voice (Portuguese)

Portuguese
Свободные Neutral

Default

English
Свободные Neutral

MAI (Polish)

Polish
Свободные Female

MAI (Ukrainian)

Ukrainian
Свободные Neutral

VITS TTS - FAQ

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.
← Все голоса