VITS

VITS TTS

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

قوشۇل 5000 ھەرپ چەكلىمىسى

توغرا كونترول قىلىش ئۈچۈن تېكىستنى SSML تېگلىرى ئىچىگە ئايلاندۇرۇش:

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

تاللانغان مودېل چۈشىنىدىغان تېگلەر - بىرىنى تېكىستىڭىزگە چۈشۈرۈش ئۈچۈن چېكىڭ:

بۇ مودىل ئاددىي تېكىستنى ئوقۇيدۇ، شۇڭا سۈرەتتە بار چەكلىمىلەر قوبۇل قىلىنمايدۇ. چەكلىمىلەرگە ئاساسەن ھېسسىياتنى ئىپادىلەش ئۈچۈن Orpheus ياكى Bark دەك ئىپادىلەش مودىلىغا ئۆزگەرتىشكە بولىدۇ.

خالىغان ئىپادىلەشنى بەلگىلەش (سۆز = ئىپادىلەش):

-12 +12
0.5x 2.0x
Piper، VITS، MeloTTS بىلەن ھەقسىز
سىز ياسىغان ئاۋاز بۇ يەردە كۆرۈنىدۇ. بىر تۈرنى تاللاپ، تېكىستنى كىرگۈزۈپ، ياسىغىن نى چېكىڭ.
ئاۋاز مۇۋەپپەقىيەتلىك ياسالدى
0:00
ئاۋازنى چۈشۈرۈش .srt چۈشۈرۈش سەۋەب 24 سائەت ئىچىدە ئۆتىدۇ
TTS.ai نى ياخشى كۆرەمسىز؟ دوستلىرىڭىزغا ئېيتىپ بېرىڭلار!

توغرىسىدا 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.

ئەڭ ياخشىسى: General-purpose text-to-speech with natural prosody

ھەممىنى كۆرۈش VITS ئاۋازلار

بىر كۆزىتىش

ئىجادىيەتچى
Jaehyeon Kim et al.
ئىجازەتنامە
MIT
ھايۋان
free
تېزلىك
fast
ئاۋازنى كۆچۈرۈش
يوق
تىللار
English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
ئەڭ كۆپ ھەرپ
2000

VITS ئاۋازلار

CSS10 (Dutch)

Dutch
بوش Neutral

CSS10 (Finnish)

Finnish
بوش Neutral

CSS10 (French)

French
بوش Neutral

CSS10 (German)

German
بوش Neutral

CSS10 (Hungarian)

Hungarian
بوش Neutral

CSS10 (Spanish)

Spanish
بوش Neutral

Common Voice (Bulgarian)

Bulgarian
بوش Neutral

Common Voice (Portuguese)

Portuguese
بوش Neutral

Default

English
بوش Neutral

MAI (Polish)

Polish
بوش Female

MAI (Ukrainian)

Ukrainian
بوش Neutral

VITS TTS - كۆپ سورالغان سوئاللار

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.
← ھەممىسى ئاۋاز