VITS

VITS TTS

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

Kayıt ol 5000 karakter sınırı için

Kesin kontrol için metninizi SSML etiketleri içinde sarılın:

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

Seçilmiş modeli anlayan etiketler — bir tanesini metinde olduğu yere bırakmak için tıklayınız:

Bu model sıradan metin okur, bu yüzden satır içindeki etiketler göz ardı edilir. Etiket tabanlı duygular için, Orpheus veya Bark gibi ifadesel bir modele geçin.

Özel telaffuzları tanımla (kelime = telaffuz):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS ile ücretsiz
Oluşturduğunuz ses burada görünecek. Bir model seçin, metni girin ve Oluştur' a basın.
Ses Başarıyla Oluşturuldu
0:00
Ses İndir İndir Bağlantı 24 saat içinde sona erer
Özgür katman: kişisel kullanım. Ticari lisans ayda 5$'dan
TTS.ai'yi seviyor musunuz?

Hakkında 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.

En iyi: General-purpose text-to-speech with natural prosody

Hepsini Ara VITS sesleri

Bir bakışta

Geliştirici
Jaehyeon Kim et al.
Lisans
MIT
Hayvan
free
Hız
fast
Ses klonlama
Hayır.
Dilleri
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
Maksimum karakterler
2000

VITS sesleri

CSS10 (Dutch)

Dutch
Özgür Neutral

CSS10 (Finnish)

Finnish
Özgür Neutral

CSS10 (French)

French
Özgür Neutral

CSS10 (German)

German
Özgür Neutral

CSS10 (Hungarian)

Hungarian
Özgür Neutral

CSS10 (Spanish)

Spanish
Özgür Neutral

Common Voice (Bulgarian)

Bulgarian
Özgür Neutral

Common Voice (Portuguese)

Portuguese
Özgür Neutral

Default

English
Özgür Neutral

MAI (Polish)

Polish
Özgür Female

MAI (Ukrainian)

Ukrainian
Özgür Neutral

VITS TTS - FAQ

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.
← Tüm sesleri