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