有声书配音

VITS是一款基于深度学习的端到端语音合成模型，结合了变分自回归推断(VAE)和Transformer架构，能够生成高自然度、接近人声的语音。它支持多语言、多说话人合成，并且能够实现语音风格控制，适用于语音助手、有声阅读和虚拟主播等场景。VITS2是其升级版，结合了自回归和非自回归的TTS技术，具备更高效的语音生成能力和更自然的音色表现。