VITS TTS
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
உங்களின் உரை SSML ஒட்டுகளில் சரியான கட்டுப்பாட்டிற்காக மடி:
<speak><prosody rate="slow">Slow speech</prosody></speak>
தேர்ந்தெடுக்கப்பட்ட மாதிரி புரிந்து கொள்ளும் குறிகள் - உங்கள் உரைக்குள் ஒன்றை இழுக்க க்ளிக் செய்யவும் அது நடக்கும் இடம்:
இந்த மாதிரி வெறும் உரை படிக்கிறது, எனவே உள்ளமைந்த குறிகள் புறக்கணிக்கப்படும். குறி அடிப்படை உணர்வுகளுக்கு, Orpheus அல்லது Bark போன்ற ஒரு வெளிப்படுத்தும் மாதிரிக்கு மாறவும்.
தனிப்பயன் உச்சரிப்புகளை வரையறுக்கவும் (வார்த்தை = உச்சரிப்பு):
& பற்றி 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.
சிறந்த: General-purpose text-to-speech with natural prosody
அனைத்தையும் உலாவுக VITS குரல்கள்ஒரு பார்வை
- உருவாக்குநர்
- Jaehyeon Kim et al.
- உரிமம்
- MIT
- மிருகம்
- free
- வேகம்
- fast
- குரல் ஒப்புமை
- இல்லை
- மொழிகள்
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- அதிகபட்ச எழுத்துக்கள்
- 2000