文字转语音(TTS)
文字转语音模型把文字转成语音,许多模型还能用一小段样音复制某个声音。
TTS 模型输入文字,有时还有一小段参考录音,输出音频。开放模型现在能覆盖几十种乃至几百种语言,可以边生成边流式输出音频,有些还能根据文字描述设计出新的声音。流式延迟,即第一段音频出现所需的时间,对语音助手很重要。
请检查权重的许可证,而不只是代码:几个最知名的开放 TTS 模型只能非商业使用,有些项目把用途限定为研究。逼真的声音可能被滥用,所以有些模型会在输出中加入听不到的水印。
相关术语
- 声音克隆 声音克隆让文字转语音模型用某个人的声音说话,往往只需几秒钟的录音。
- 语音识别(ASR、语音转文字) 语音识别又称 ASR 或语音转文字,把说出的音频转成书面文字。
- 非商业许可证 非商业许可证允许你把模型用于研究、学习和个人项目,但不允许用它赚钱。