7 分钟阅读
GPT-SoVITS：1 分钟声音克隆，中文表现突出
GPT-SoVITS 只需 1 分钟音频即可克隆声音，也能用 5 秒音频进行零样本克隆，尤其擅长中文和日文，并配有完整的 WebUI 工具套件。
TTS声音克隆少样本微调多语言 TTSGPT-SoVITS
阅读更多AI 模型
解读开源与热门 AI 语音模型，并了解如何在 Echora 上体验对应能力。
7 分钟阅读
VALL-E 2：微软达到人类水平的零样本文字转语音模型
VALL-E 2 在 VALL-E 的基础上加入重复感知采样和分组代码建模，据称在零样本声音克隆基准测试中达到了人类水平。
TTSVALL-E 2声音克隆神经编解码器语言模型Microsoft Research
阅读更多7 分钟阅读
VALL-E X：微软跨语言声音克隆模型
VALL-E X 是微软推出的 VALL-E 跨语言扩展模型，能克隆一种语言中的声音，让它流利地说出另一种语言，并内置口音控制。
VALL-E X跨语言声音克隆多语言 TTS神经音频编解码语言模型口音控制
阅读更多7 分钟阅读
VALL-E：微软用于 TTS 的神经编解码语言模型
VALL-E 是微软的神经编解码语言模型，它像 GPT 处理文字一样将语音视为离散 token，并能通过 3 秒音频提示克隆声音。
TTS神经编解码语言模型零样本声音克隆Microsoft ResearchVALL-E
阅读更多阅读约 7 分钟
StyleTTS 2：据称自然度超越人类录音的 TTS
StyleTTS 2 使用扩散模型采样说话风格，无需参考音频；据称其在 LJSpeech 数据集上的自然度超越了人类录音。
TTSStyleTTS 2语音合成扩散模型开源
阅读更多7 分钟阅读
StyleTTS：基于风格的非自回归语音合成
StyleTTS 使用 AdaIN 和专用风格编码器将说话风格与内容分离，让非自回归 TTS 能够控制韵律与表达方式。
StyleTTS风格化 TTS非自回归 TTS语音合成AdaIN
阅读更多7 分钟阅读
Bark TTS：Suno 生成式音频模型，支持笑声与叹气
Bark 是 Suno 的开源生成式文本转音频模型，可通过简单的方括号标签加入笑声、叹气和音乐，并采用 MIT 许可证发布。
TTS生成式音频表达性语音开源Bark
阅读更多7 分钟阅读
Tortoise TTS：开创先河的高质量多音色模型
Tortoise TTS 是一款采用 Apache 2.0 许可证的开源多音色模型，将自回归 Transformer 与扩散模型结合，以较慢的生成速度换取出色的音频质量。
TTS开源 TTS声音克隆多音色 TTSTortoise TTS
阅读更多8 分钟阅读
XTTS-v2：Coqui 多语言零样本声音克隆模型
XTTS-v2 是 Coqui 的零样本声音克隆模型，只需 6 秒音频即可覆盖 17 种语言；即使 Coqui 已于 2024 年关闭，它仍是行业标杆。
TTS开源 TTS零样本声音克隆多语言 TTSXTTS-v2
阅读更多阅读约 7 分钟
E2 TTS：F5-TTS 背后的流匹配零样本模型
E2 TTS 是微软基于流匹配构建的零样本 TTS 系统，号称“简单到令人尴尬”；它无需时长模型或对齐器，也是 F5-TTS 的直接研究前身。
TTS流匹配零样本 TTS声音克隆E2 TTS
阅读更多阅读约 7 分钟
F5-TTS：高速 Diffusion Transformer 声音克隆模型
F5-TTS 是一款基于流匹配的非自回归 Diffusion Transformer TTS 模型，可在数秒内完成声音克隆，实时因子（RTF）仅为 0.15，推理速度很快。
TTSDiffusion Transformer声音克隆流匹配F5-TTS
阅读更多阅读约 7 分钟
Fish Speech：富有表现力、支持微调的开源 TTS
Fish Speech 是 Fish Audio 推出的富有表现力的开源 TTS，支持零样本克隆和 LoRA 微调，并内置 [whisper]、[angry] 等情绪标签。
TTS开源 TTS声音克隆微调Fish Speech
阅读更多