语音合成介绍篇 （一）：什么是VITS

admin

可爱的晴风终于放寒假咯，给大家开一个新的坑

声学模型
7 l: H+ W# X* j6 z0 \0 E声学模型是声音合成系统的重要组成部分
% L* j, @' g. u8 s6 m8 ^" j6 m7 I
3 U: L( O3 z$ k) i, k
主流的声学模型主要有Tacotron，FastSpeech等
9 N1 \6 T5 X  L! s, O
VITS也是一个声学模型
( N/ W+ T( [" i$ ]VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种语音合成方法，它使用预先训练好的语音编码器 (vocoder声码器) 将文本转化为语音。
2 H7 e5 j5 Z6 |7 b0 s8 t

9 r+ Z2 E6 J% L8 F0 U6 _) T0 JVITS 的工作流程如下：
% A# C) t* d  r7 n$ a3 {6 U; V" v+ \将文本输入 VITS 系统，系统会将文本转化为发音规则。

, v/ b* e' P' K) P7 ^& }将发音规则输入预先训练好的语音编码器 (vocoder)，vocoder 会根据发音规则生成语音信号的特征表示。

. x' X! [6 L* N4 W将语音信号的特征表示输入预先训练好的语音合成模型，语音合成模型会根据特征表示生成合成语音。
7 w1 H2 e4 B# n* c- b" Z0 @
VITS 的优点是生成的语音质量较高，能够生成流畅的语音。但是，VITS 的缺点是需要大量的训练语料来训练 vocoder 和语音合成模型，同时需要较复杂的训练流程。
8 K% c0 Z- L4 w; l- D
2 B7 A0 e9 d. b# m* S5 O. ~& KVITS项目



- R! }8 s3 T8 a; w* g# S6 L原始项目地址

! q% M/ q3 F) Y+ n" ghttps://github.com/jaywalnut310/vits
原始论文地址

https://arxiv.org/abs/2106.06103
; ?# m+ L3 p  |4 ?参考资料
9 P0 |# o: K9 j! q
" e4 N* @* W9 U! `0 rcnlinxi/book-text-to-speech: A book about Text-to-Speech (TTS) in Chinese. (github.com)
0 A1 c4 A, g: z& u- z
0 h, f6 ]3 ~' ?/ a# D) O0 w; u9 [https://github.com/cnlinxi/book-text-to-speech

5 j7 R' L5 t3 ?https://github.com/snakers4/silero-models

# x$ _, J' [4 T! g, ohttps://wespeech.github.io/awesome-tts/tts-wiki/

: s$ @- g0 W& f# K) p/ H https://github.com/JusperLee/Speech-Separation-Paper-Tutorial

6 O/ E# ~4 ?- b% c* W 作者：Harekaze晴风 https://www.bilibili.com/read/cv20837189 出处：bilibili

2 {, O; C" }# X( N

cool1478

对我很有帮助
( i) h9 t4 X0 f( S6 d8 b6 yhttps://github.com/jaywalnut310/vits
1 n/ y+ v! l0 v0 `

我吾识拍拖

很热情

yuan1572575813

资料不错

robinhuazi

对我很有帮助

gov

不错、