IndexTTS

IndexTTS obsługuje przede wszystkim chiński i angielski, z doskonałą wydajnością w obu językach. Obsługuje również naturalne przełączanie kodu chińsko-angielskiego, dzięki czemu idealnie nadaje się do treści dwujęzycznych.

5-10 sekundowy czysty klip audio jest optymalny do klonowania głosu. Dźwięk powinien mieć minimalny szum w tle i wyraźnie reprezentować cechy głosu mówcy.

IndexTTS to system open-source. Zapoznaj się z warunkami licencji i upewnij się, że masz odpowiednie prawa do wszelkich nagrań referencyjnych używanych do klonowania głosu.

IndexTTS oferuje jakość klasy przemysłowej z klonowaniem głosu bez dodatkowego treningu, zaawansowaną korektą wymowy dla tekstu chińskiego, kontrolą emocji i wysokim podobieństwem do mówcy (0,776) z doskonałą jakością dźwięku (MOS: 4,01).

IndexTTS osiąga wskaźnik błędu słowa (WER) wynoszący zaledwie 1,3%, co wskazuje na bardzo wysoką dokładność wymowy. W przypadku tekstu chińskiego możesz dodatkowo poprawić dokładność, korzystając z poprawek pinyin.

IndexTTS generuje wysokiej jakości wyjście audio za pomocą wokodera BigVGAN2, zazwyczaj w formacie WAV z doskonałą klarownością i naturalnością.

Tak, możesz kontrolować pauzy za pomocą znaków interpunkcyjnych, a IndexTTS2 obsługuje kontrolę emocji za pomocą tagów emocji, aby mowa była bardziej ekspresyjna.

Chociaż IndexTTS może obsługiwać różne długości tekstu, bardzo długie teksty najlepiej przetwarzać w mniejszych fragmentach, aby uzyskać optymalną jakość i wydajność przetwarzania.