VITS ТТС
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
Матнро дар SSML тегҳо барои идоракунии дақиқ гузоред:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Барчаспҳо, ки аз тарафи намунаи интихобшуда фаҳмида мешаванд - барои гузоштани яке аз онҳо дар матни худ, ки дар он ҷо рӯй медиҳад, пахш кунед:
Ин намуна матни оддиро мехонад, аз ин рӯ, нишонаҳои дар сатр бударо нодида мегиранд. Барои нишонаҳои асосӣ ба намунаи ифодакунандаи Orpheus ё Bark гузаред.
Муайян кардани талаффузи оддӣ (калима = талаффуз):
Дар бораи 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.
Беҳтарин барои: General-purpose text-to-speech with natural prosody
Баррасии ҳама VITS овозҳоДар як назар
- Тайёркунанда
- Jaehyeon Kim et al.
- Иҷозатнома
- MIT
- & Тағйиротҳо
- free
- Суръат
- fast
- Тасвири овоз
- & Намоиши хатҳои равон
- Забонҳо
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- Аломатҳои зиёд
- 2000