# マルチスピーカー対応

Orpheus-3Bをベースにしたドイツ語テキスト読み上げ(TTS)モデルで、主に自然な人間の音声録音で微調整されており、リアルな音声を実現することを目的としています。

CSM（対話音声モデル）はSesameが開発した10億パラメータの音声生成モデルで、テキストと音声入力からRVQ音声エンコーディングを生成可能です。

Kokoroはオープンウェイトの小型ながら強力なテキスト読み上げ（TTS）モデルシリーズで、専門データセットから100名の中国語話者データを追加しました。

F5-TTSは完全非自己回帰のゼロショットテキスト音声合成モデルで、高品質な音声合成をサポートします。

マルチスピーカー対応のロシア語テキスト音声変換モデルで、句読点付きの通常テキストを直接処理可能、音素への事前変換が不要です。

マイクロソフトのSpeechT5アーキテクチャをファインチューニングしたアラビア語テキスト音声合成モデルで、Hakawatiデータセットでトレーニング済み

Matcha-TTSアーキテクチャに基づくカタルーニャ語マルチスピーカーテキストトゥスピーチモデル、最適輸送条件フローマッチングトレーニングにより、高速高品質音声合成をサポート

VITSはエンドツーエンド音声合成モデルで、入力テキストシーケンスから対応する音声波形を予測できます。このモデルは条件付き変分オートエンコーダ（VAE）アーキテクチャを採用し、事後エンコーダ、デコーダ、条件付き事前モジュールを含みます。

VITSはエンドツーエンドの音声合成モデルで、入力テキスト系列から対応する音声波形を予測できます。

microsoft/speecht5_ttsモデルをvoxpopuliフランス語データセットでファインチューニングしたテキスト音声変換モデル

HiFiGANはGANベースのボコーダーモデルで、メルスペクトログラムから高品質な音声を生成でき、マルチスピーカーの英語音声合成をサポートします。

マイクロソフトのSpeechT5アーキテクチャをファインチューニングしたスウェーデン語テキスト音声変換モデル、Common Voiceデータセットでトレーニング

これはESPnet2フレームワークでトレーニングされた日本語テキスト読み上げ(TTS)モデルで、VITSアーキテクチャを使用し、mioによってamadeusデータセットでトレーニングされました。