fish-speech

Fish-Speech是由Fish Audio团队开发的一款开源文本转语音（TTS）模型，它基于VQ-GAN、Llama和VITS等技术开发，采用了Transformer架构，这是一种在自然语言处理任务中表现卓越的神经网络结构。同时，它还使用了多任务学习方法和先进的神经网络声码器，以实现高质量的语音合成。Fish-Speech支持包括中文在内的多种主流语言，使得用户在跨文化交流中能够自如地表达自己。仅需15秒的音频样本，Fish-Speech便能迅速实现声音克隆，生成与目标声音高度相似的语音。