ویتس

Standard

TTS سریع پایان به پایان با گفتار طبیعی

آزمایش رایگان ویتس جستجو صداها (109)
Very Fast سرعت
Good کیفیت
نه شبیه‌سازی
10 زبانها

در مورد ویتس

-efficient, and highly-efficient neural TTS model that generates natural-sounding speech. It combines variational autoencoders with adversarial learning for

ویژگیهای کلیدی

ترکیب سریع

معماری پایان به پایان برای تولید سریع گفتار.

پردازش دسته ای

این برنامه می‌تواند چندین برنامه را همزمان اجرا کند.

گفتار طبیعی

آموزش VAE+GAN تولید نظم و ریتم طبیعی را فراهم می‌کند.

چند بلندگو

این مدل از چند صدای مختلف پشتیبانی می‌کند.

کارآمد

حافظه با کیفیت پایین با عملکرد خوب.

منبع باز

هر نوع استفاده از آن ممنوع است.

موارد استفاده

تولید صوتی دسته بسترهای یادگیری الکترونیکی خوانندگان خبرName اعلامیه‌های خودکار سیستم‌های IVR محتوای حجم بالا

ویتس Voices

View All 109
LJSpeech (English Female)
EN
VCTK Speaker 225 (English Female)
EN
VCTK Speaker 226 (English Male)
EN
VCTK Speaker 227 (English Male)
EN
VCTK Speaker 228 (English Female)
EN
VCTK Speaker 229
EN
VCTK Speaker 230
EN
VCTK Speaker 231
EN
VCTK Speaker 232
EN
VCTK Speaker 233
EN
VCTK Speaker 234
EN
VCTK Speaker 236
EN

چطور استفاده شود ویتس

  1. 1

    ثبت نام رایگان یا آزمایش نمایش

    Create a free TextToSpeechAI account to get starter credits, or use the on-page demo to hear VITS before signing up.

  2. 2

    انتخاب صدا یا بلندگوهای VITS

    در کتابخانه صداها جستجو کنید و صدایی را که با نشان VITS نشان داده شده است ، انتخاب کنید. کتابخانه VITS چند بلندگو ، از جمله مجموعه بلندگوهای VCTK ، به شما اجازه می‌دهد که از میان صداهای متمایز زیادی انتخاب کنید.

  3. 3

    وارد کردن متن

    متنی را که می‌خواهید در ویرایشگر خوانده شود ، تایپ یا چسبانید. VITS ، گذرگاه‌های طولانی را به خوبی مدیریت می‌کند و برای محتوای دسته و حجم بالا ایده‌آل است.

  4. 4

    تولید صدا

    برای ساخت گفتار با VITS ، تولید را فشار دهید. چون VITS بسیار سریع و سطح استاندارد است (۱۰ امتیاز در ۱۰۰۰ نویسه)، نتایج سریعاً با هزینه کم برمی‌گردند.

  5. 5

    دانلود یا استفاده از API

    فایل صوتی نهایی را به صورت MP3، WAV یا OGG دانلود کنید یا همان صدای VITS را از طریق API REST TextToSpeechAI برای خودکارسازی تولید در برنامه خود فراخوانی کنید.

ویتس API

این برنامه با استفاده از TextToSpeechAI REST API تولید می‌شود.

curl -X POST "https://api.texttospeechai.com/v1/generate/" \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "VITS ارائه سخنرانی سریع و طبیعی برای برنامه‌های حجم بالا است.",
    "voice": "vits-ljspeech"
  }'
خواندن مستندات API دریافت کلید API شما

پرسشهای متداول

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is an end-to-end neural TTS model that combines a variational autoencoder with adversarial GAN training. It generates natural-sounding speech in a single pass, which makes it fast and efficient. You can try VITS free on TextToSpeechAI.

Yes, VITS is open-source under the MIT license, so it supports full commercial use without restrictions. It is widely used in commercial products and services. On TextToSpeechAI, VITS costs 10 credits per 1000 characters on the Standard tier.

TextToSpeechAI offers a large multi-speaker VITS library, including the VCTK voice set with dozens of distinct English speakers. A single VITS model can host many speakers, so you can choose from many different voices without switching engines.

مدل‌های VITS رایج شامل انگلیسی، چینی، ژاپنی، کره‌ای، آلمانی، فرانسوی و دیگر زبان‌های اصلی هستند، با پوشش انگلیسی چندزبانه از مجموعه داده‌های VCTK.

معماری پایان به پایان آن از مراحل پردازش چند گانه مدل‌های دیگر جلوگیری می‌کند، که به همین دلیل VITS برای ترکیب بسته و حجم بالا مناسب است.

No, VITS does not support voice cloning. It uses pre-trained multi-speaker models rather than copying a target voice from a sample. For voice cloning on TextToSpeechAI, use F5-TTS or GPT-SoVITS instead.

VITS صدای با کیفیت خوب با ریتم و قافیه طبیعی تولید می‌کند. در حالی که در سطح StyleTTS 2 یا Tortoise نیست ، کیفیت عالی برای سرعت خود را ارائه می‌دهد ، به ویژه برای پردازش دسته ای.

VITS is memory-efficient, typically needing only a few GB of VRAM (around 4GB). It runs comfortably on consumer GPUs, and on TextToSpeechAI all rendering happens on our servers so you do not need any hardware of your own.

VITS and Piper are both fast, MIT-licensed Standard-tier engines on TextToSpeechAI. Piper is the lightest and fastest option, while VITS offers a large multi-speaker library (including VCTK) with slightly more natural prosody. Neither supports voice cloning.

VITS یک موتور سطح استاندارد است که هزینه آن ۱۰ کرید در هر ۱۰۰۰ کاراکتر است. این پایین‌ترین سطح قیمت ما به لطف طبیعت سریع و کارآمد مدل VITS است.

VITS generates audio at 22050Hz natively. Through TextToSpeechAI you can request MP3, WAV, or OGG formats, with automatic conversion handled for you.

برای دریافت اعتبار رایگان در TextToSpeechAI ثبت نام کنید، سپس صدای VITS را انتخاب کنید، متن خود را وارد کنید و صدا را تولید کنید. همچنین می‌توانید از نمایش برای شنیدن VITS قبل از ایجاد حساب استفاده کنید و به VITS از طریق API REST ما دسترسی پیدا کنید.

Technical Specs

  • Generation Speed Very Fast
  • Output Quality Good
  • Voice Cloning Not Supported
  • Languages 10
  • GPU VRAM 1-2GB
  • Credits/1000 chars 10

Try ویتس Now

Generate your first audio free. No credit card required.

Start Free

Other TTS Engines

پوسته
Slow | Very Good
جعبه گفتگو
Fast | Very Good
صدای دلنشین ۲
Fast | Very Good
View All 9 Engines