Conversão de texto em fala (TTS)
Modelos de conversão de texto em fala transformam texto escrito em áudio falado, e muitos conseguem copiar uma voz a partir de uma amostra curta.
Um modelo TTS recebe texto, às vezes uma gravação de referência curta, e produz áudio. Modelos abertos hoje cobrem dezenas ou até centenas de idiomas, podem transmitir o áudio enquanto ele ainda está sendo gerado, e alguns criam uma voz nova a partir de uma descrição escrita. A latência do streaming, o tempo até o primeiro áudio chegar, importa para assistentes de voz.
Verifique a licença dos pesos, não apenas a do código: vários dos modelos TTS abertos mais conhecidos são apenas para uso não comercial, e alguns projetos limitam o uso à pesquisa. Vozes realistas podem ser mal utilizadas, então alguns modelos adicionam à saída uma marca d'água inaudível.
Termos relacionados
- Clonagem de voz A clonagem de voz faz um modelo de conversão de texto em fala falar com a voz de uma pessoa específica, muitas vezes a partir de apenas alguns segundos de gravação.
- Reconhecimento de fala (ASR, fala para texto) O reconhecimento de fala, também chamado de ASR ou fala para texto, converte áudio falado em texto escrito.
- Licença não comercial Uma licença não comercial permite usar um modelo para pesquisa, estudo e projetos pessoais, mas não para ganhar dinheiro com ele.