神经语音

神经网络 TTS 模型（Tacotron、FastSpeech、VITS 及其后续模型）根据文本、说话人特征和风格信息直接生成语音波形。语调、气息与情感都很自然——在许多听感测试中，听众已很难将其与真人朗读区分开。

通常可以调节音高、语速、语言、口音、年龄和情绪（平静、兴奋、悲伤、专业等）。在 VlogMe 中，您可以在 Audio Studio 生成配音，再把同一条音轨交给 Video Studio 中会说话的数字人，口型会严格跟随您选定的语气与节奏。