VITS

VITS TTS

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

ලියාපදිංචි වන්න 5,000 අක්ෂර සීමා

නිවැරදි පාලනය සඳහා SSML ටැග් ඔබේ පෙළ ආවරණය:

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

තෝරාගත් ආකෘතිය තේරුම් ටැග් - එය සිදුවන තැන ඔබේ පෙළ එක් වැටීමට ක්ලික් කරන්න:

මෙම ආකෘතිය සරල පෙළ කියවනවා, ඒ නිසා inline ටැග් නොසලකා හැර ඇත. ටැග් පදනම් හැඟීම් සඳහා, Orpheus හෝ Bark වැනි ප්රකාශාත්මක ආකෘතිය මාරු.

අභිරුචි උච්චාරණය අර්ථ දක්වන්න (වචනය = උච්චාරණය):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS සමඟ නිදහස්
ඔබේ ජනනය ශ්රව්ය මෙහි පෙනෙනු ඇත. ආකෘතිය තෝරන්න, පෙළ ඇතුලත්, හා ජනනය ක්ලික් කරන්න.
ශ්‍රව්‍ය සාර්ථකව ජනනය වියName
0:00
ශ්‍රව්‍ය බාගත කිරීම බාගත.srt සබැඳිය 24h දී කල් ඉකුත් වේ
නිදහස් ස්ථරය: පෞද්ගලික භාවිතය. $5/mo සිට වාණිජ බලපත්රය
TTS.ai ආදරය? ඔබේ මිතුරන්ට කියන්න!

ගැන 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.

සඳහා හොඳම: General-purpose text-to-speech with natural prosody

සියල්ල ගවේශනය කරන්න VITS හඬ

කෙටියෙන්

සංවර්‍ධක
Jaehyeon Kim et al.
බලපත්‍රය
MIT
සත්ත්වයා
free
වේගය
fast
හඬ ක්ලෝන කිරීම
නෑ
භාෂා
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
උපරිම අකුරු
2000

VITS හඬ

CSS10 (Dutch)

Dutch
නිදහස් Neutral

CSS10 (Finnish)

Finnish
නිදහස් Neutral

CSS10 (French)

French
නිදහස් Neutral

CSS10 (German)

German
නිදහස් Neutral

CSS10 (Hungarian)

Hungarian
නිදහස් Neutral

CSS10 (Spanish)

Spanish
නිදහස් Neutral

Common Voice (Bulgarian)

Bulgarian
නිදහස් Neutral

Common Voice (Portuguese)

Portuguese
නිදහස් Neutral

Default

English
නිදහස් Neutral

MAI (Polish)

Polish
නිදහස් Female

MAI (Ukrainian)

Ukrainian
නිදහස් Neutral

VITS TTS - නිතර අසන පැන

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.
← සියලු හඬ