# 多說話人支持

CSM（對話語音模型）是Sesame開發的1B參數語音生成模型，可從文本和音頻輸入生成RVQ音頻編碼。

CSM（對話語音模型）是由Sesame開發的10億參數語音生成模型，可通過文本和音頻輸入生成RVQ音頻編碼。

CSM是由Sesame開發的1B參數語音生成模型，可通過文本和音頻輸入生成RVQ音頻編碼，支持帶上下文的語音生成。

CSM（對話語音模型）是Sesame開發的10億參數語音生成模型，可通過文本和音頻輸入生成RVQ音頻編碼。

一個基於PyTorch的文本轉語音模型，支持中文語音合成，由SesameAILabs開發併發布。

Kokoro 是一個開放權重的小型但功能強大的文本轉語音（TTS）模型系列，新增了來自專業數據集的100名中文說話人數據。

基於阿美語和太魯閣語的實驗性語音合成模型，使用ithuan數據集訓練

基於F5-TTS的巴西葡萄牙語文本轉語音模型，支持情感標記和說話者特徵控制

YarnGPT 是一款專為合成尼日利亞口音英語而設計的文本轉語音（TTS）模型，採用純語言建模技術，可為多樣化應用提供高質量、自然且文化相關的語音合成。

基於microsoft/speecht5_tts微調的印地語文本轉語音模型

Parler-TTS Mini v1.1 是一個輕量級的文本轉語音模型，基於45,000小時的音頻數據訓練而成，能夠生成高質量、自然流暢的語音，其特性可以通過簡單的文本提示進行控制。

F5-TTS 是一個完全非自迴歸的零樣本文本轉語音模型，支持高質量的語音合成。

基於Microsoft SpeechT5微調的土耳其語文本轉語音模型，支持生成自然語音

輕量級文本轉語音模型，基於4.5萬小時音頻數據訓練，可通過文本提示控制語音特性

擁有22億參數的文本轉語音模型，基於4.5萬小時音頻數據訓練，支持通過文本提示控制語音特徵

輕量級文本轉語音模型，基於4.5萬小時音頻訓練，支持通過文本提示控制語音特徵

Parler-TTS Mini：Expresso是基於Parler-TTS Mini v0.1在Expresso數據集上微調的輕量級文本轉語音模型，支持情感和說話者控制。

一個支持多說話人的俄語文本轉語音模型，可直接處理帶標點符號的普通文本，無需預先轉換為音素。

基於微軟SpeechT5架構微調的阿拉伯語文本轉語音模型，在Hakawati數據集上訓練

基於Matcha-TTS架構的加泰羅尼亞語多說話人文本轉語音模型，通過最優傳輸條件流匹配訓練，支持快速高質量語音合成

這是一個基於VITS架構的俄語文本轉語音模型，能夠將俄語文本轉換為自然語音。

VITS是一種端到端語音合成模型，能夠根據輸入的文本序列預測對應的語音波形。該模型採用條件變分自編碼器（VAE）架構，包含後驗編碼器、解碼器和條件先驗模塊。

VITS是一種端到端語音合成模型，能夠根據輸入文本序列預測對應的語音波形。

基於microsoft/speecht5_tts模型在voxpopuli法語數據集上微調的文本轉語音模型

HiFiGAN是一種基於GAN的聲碼器模型，能夠從梅爾頻譜圖生成高質量音頻，支持多說話人英語語音合成。

基於微軟SpeechT5架構微調的瑞典語文本轉語音模型，使用Common Voice數據集訓練

這是一個基於ESPnet2框架訓練的日語文本轉語音(TTS)模型，使用VITS架構，由mio在amadeus數據集上訓練完成。

基於ESPnet框架訓練的文本轉語音模型，使用LibriTTS數據集訓練，支持英語語音合成。