vits

收录理由

VITS 把完整的文语合成流程压缩进一个模型，省去了传统上把声学模型和声码器分开拼接的繁琐步骤。它基于条件变分自编码器，结合了归一化流和对抗训练，同时引入随机时长预测器，让同一句文本能以不同的音高和节奏被说出来，而不是永远一种腔调。项目作者公开了配套论文、在 LJ Speech 单说话人数据集上预训练好的权重，以及一个可交互的 Colab 演示，你可以在不碰任何配置的情况下先听合成效果。训练和推理脚本同时覆盖单说话人与多说话人（VCTK）场景，既能作为可复现的研究基线，也适合在此基础上适配自己的数据。