IndexTTS

IndexTTS — это система преобразования текста в речь промышленного уровня от Bilibili, которая обеспечивает высококачественный синтез голоса с клонированием голоса с нуля, многоязыковой поддержкой и возможностями управления эмоциями.

Ключевые особенности IndexTTS

IndexTTS — это система преобразования текста в речь промышленного уровня, разработанная Bilibili, предлагающая клонирование голоса с нуля, многоязыковую поддержку и возможности управления эмоциями.

Клонирование голоса с нуля

Воссоздайте характеристики голоса любого говорящего, используя всего лишь короткий эталонный аудиоклип без дополнительного обучения

Коррекция произношения

Продвинутая система коррекции на основе пиньиня, которая идеально обрабатывает полифонические символы, редкие слова и нюансы произношения

Многоязыковая поддержка

Легко синтезируйте речь на нескольких языках, включая китайский и английский, с естественным переключением кода

Управление эмоциями

Управляйте эмоциональными тонами в синтезированной речи, чтобы создать более выразительное и естественное звучание аудио

Высококачественный звук

Интегрированный вокодер BigVGAN2 обеспечивает превосходное качество звука с высокой степенью сходства с говорящим (MOS: 4.01)

Управление паузами

Точно контролируйте ритм речи и паузы с помощью знаков препинания для естественного звучания

Как использовать IndexTTS

Выполните эти простые шаги, чтобы сгенерировать высококачественную речь из вашего текста

1

Подготовьте свой текст

Введите или вставьте текст, который хотите преобразовать в речь. Используйте правильную пунктуацию и при необходимости добавьте подсказки по произношению.

2

Загрузите эталонный звук (необязательно)

Для клонирования голоса загрузите 5-10-секундный чистый аудиообразец целевого голоса. Пропустите этот шаг, чтобы использовать голоса по умолчанию.

3

Выберите язык и эмоцию

Выберите свой основной язык (китайский/английский) и выберите эмоциональный тег, если хотите выразительную речь.

4

Сгенерируйте и скачайте

Нажмите «Сгенерировать», чтобы создать свой звук. Предварительно просмотрите результат и скачайте аудиофайл, когда будете удовлетворены.

Быстрые советы

•Эталонный звук должен быть чистым, с минимальным фоновым шумом для достижения наилучших результатов клонирования голоса
•Обработка более длинных текстов может занять больше времени — рассмотрите возможность разбиения их на более мелкие сегменты
•Поэкспериментируйте с различными шаблонами пунктуации, чтобы добиться желаемого ритма речи
•Для китайского текста исправления пиньинь могут значительно повысить точность произношения

Качество сгенерированной речи зависит от четкости входного текста и качества эталонного звука (для клонирования голоса). Для достижения наилучших результатов используйте хорошо отформатированный текст с естественной пунктуацией.

Часто задаваемые вопросы

Найдите ответы на часто задаваемые вопросы об IndexTTS

Какие языки поддерживает IndexTTS?

IndexTTS в основном поддерживает китайский и английский языки, с отличной производительностью на обоих языках. Он также естественным образом обрабатывает переключение кода между китайским и английским языками, что делает его идеальным для двуязычного контента.

Какой должна быть продолжительность эталонного звука для клонирования голоса?

Для клонирования голоса оптимален чистый аудиоклип продолжительностью 5-10 секунд. Аудио должно иметь минимальный фоновый шум и четко представлять характеристики голоса говорящего.

Могу ли я использовать IndexTTS для коммерческих проектов?

IndexTTS — это система с открытым исходным кодом. Пожалуйста, ознакомьтесь с условиями лицензии и убедитесь, что у вас есть надлежащие права на любой эталонный звук, который вы используете для клонирования голоса.

Чем IndexTTS отличается от других систем TTS?

IndexTTS предлагает качество промышленного уровня с клонированием голоса с нуля, расширенной коррекцией произношения для китайского текста, управлением эмоциями и высокой степенью сходства с говорящим (0,776) с отличным качеством звука (MOS: 4,01).

Насколько точно произношение?

IndexTTS достигает частоты ошибок слов (WER) всего 1,3%, что указывает на очень высокую точность произношения. Для китайского текста вы можете дополнительно повысить точность, используя исправления пиньинь.

В каком аудиоформате выводится результат?

IndexTTS генерирует высококачественный аудиовыход с использованием вокодера BigVGAN2, обычно в формате WAV с отличной четкостью и естественностью.

Могу ли я контролировать скорость речи и эмоции?

Да, вы можете контролировать паузы с помощью знаков препинания, а IndexTTS2 поддерживает управление эмоциями с помощью эмоциональных тегов, чтобы сделать речь более выразительной.

Существует ли ограничение на длину текста?

Хотя IndexTTS может обрабатывать тексты различной длины, очень длинные тексты лучше обрабатывать небольшими фрагментами для оптимального качества и эффективности обработки.

Готовы создавать естественную речь?

Начните использовать IndexTTS сегодня, чтобы преобразовать свой текст в высококачественную, естественно звучащую речь с расширенными возможностями клонирования голоса

IndexTTS обучен на 25 000 часах китайского аудио и 9 000 часах английского аудио, что обеспечивает качество профессионального уровня для ваших проектов