VITS

VITS เสียง

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

ลงทะเบียน สำหรับจำกัดตัวอักษร 5,000 ตัว

หมุนข้อความของคุณในแท็ก SSML เพื่อควบคุมอย่างแม่นยำ:

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

แท็กที่โมเดลที่เลือกไว้เข้าใจ - คลิกเพื่อวางแท็กลงในข้อความของคุณที่มันเกิดขึ้น:

โมเดลนี้อ่านข้อความธรรมดา ดังนั้น แท็กในบรรทัดจะถูกละเลย สำหรับอารมณ์ที่ใช้แท็ก เปลี่ยนไปใช้โมเดลแสดงออก เช่น Orpheus หรือ Bark

ตั้งค่าการออกเสียงที่กำหนดเอง (คำ = การออกเสียง):

-12 +12
0.5x 2.0x
ใช้ฟรีกับไพเปอร์, VITS, MeloTTS
เสียงที่สร้างขึ้นจะปรากฏที่นี่ เลือกโมเดล พิมพ์ข้อความ และคลิกที่ สร้าง
สร้างเสียงสำเร็จแล้ว
0:00
ดาวน์โหลดเพลง ดาวน์โหลด ลิงก์หมดอายุใน 24 ชั่วโมง
ระดับฟรี: ใช้ส่วนตัว ใบอนุญาตเชิงพาณิชย์จาก $5/เดือน
ทำเสียงนี้เป็นเสียงของตัวเอง โคลนเสียงใน 30 วินาที
รัก TTS.ai บอกเพื่อนๆ

เกี่ยวกับ 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.

เหมาะสำหรับ: General-purpose text-to-speech with natural prosody

แสดงทั้งหมด VITS เสียง

เพียงแค่มองดู

ผู้พัฒนา
Jaehyeon Kim et al.
ใบอนุญาต
MIT
สัตว์
free
ความเร็ว
fast
เสียง
ไม่มี
ภาษา
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
จำนวนตัวอักษรสูงสุด
2000

VITS เสียง

CSS10 (Dutch)

Dutch
ว่าง Neutral

CSS10 (Finnish)

Finnish
ว่าง Neutral

CSS10 (French)

French
ว่าง Neutral

CSS10 (German)

German
ว่าง Neutral

CSS10 (Hungarian)

Hungarian
ว่าง Neutral

CSS10 (Spanish)

Spanish
ว่าง Neutral

Common Voice (Bulgarian)

Bulgarian
ว่าง Neutral

Common Voice (Portuguese)

Portuguese
ว่าง Neutral

Default

English
ว่าง Neutral

MAI (Polish)

Polish
ว่าง Female

MAI (Ukrainian)

Ukrainian
ว่าง Neutral

VITS คำถามที่พบบ่อย

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.
← เสียงทั้งหมด