VITS TTS
The end-to-end TTS architecture that combines a variational autoencoder, normalizing flows, and adversarial training.
SSML ٹیگ میں اپنے متن کو دقيق کنٹرول کے لیے لپیٹیں:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تگ منتخب ماڈل سمجھتا هے - آپ کے متن ميں ایک ڈالنے کے ليے کلک کريں جہاں هيں :
هي ماڈل عام متن پڑھتا هے ، تو ان لائن ٹگز کو نظر انداز کريں تا گ ڑي گي ايميشن کے ليے ، اورف يا بارک کے ليے بيان کر نے والے ماڈل ميں تبديل کريں
خود ساختہ تلفظ (لفظ = تلفظ):
متعلقہ 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.
بہترین: General-purpose text-to-speech with natural prosody
سب براؤز کریں VITS آوازیںایک نظر میں
- ڈیولپر
- Jaehyeon Kim et al.
- لائسنس
- MIT
- تير
- free
- رفتار
- fast
- آواز کا کلوننگ
- نہیں
- زبانیں
- English, German, Spanish, French, Portuguese, Dutch, Finnish, Hungarian, Bulgarian, Japanese, Polish
- زیادہ سے زیادہ حروف
- 2000