OUTETTS

MODEL-ZOO

TTS：MaskGCT & OuteTTS

在过去的一年中，seamless_communication、StyleTTS、VITS、DeepSpeech和Whisper 等项目都在 TTS（文本转语音）技术的进步中发挥了重要作用。但现在，回顾 GitHub，这些项目中的很多都已经沉寂了。 最初，我只对它们的功能有基本的了解，而没有深入研究它们背后的技术概念和机制。这次，受到最近发布的 MaskGCT 和 OutTTS 等开源项目的启发，我决定总结一下 TTS 的基础技术。总体而言，音频生成的质量自去年以来有了显着提高。以前，合成的声音听起来很机械；现在，多亏了 Hertz-dev 等模型，我们可以生成听起来更自然、更像人类的音频。 1、TTS 基础知识 TTS 系统的主要目标是将输入的文本转换为听起来自然的语音。 1.1 传统TTS模型 传统的 TTS 模型（例如 Tacotron