待验证70% 置信事实时间未知

Fish Speech底层采用了VITS架构的改进版本，将文本编码、韵律预测和声码器整合在一个端到端的框架中

1

来源数

70%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

Codex桌面宠物实战：从零打造会说话的AI小精灵

bilibili灵姐说AI

涉及实体

Fish Speechmodel VITSconcept

相关事实

待验证Fish Audio是一款基于深度学习的文本转语音（TTS）服务，支持多种音色克隆和自然语音合成71% 相似待验证VITS将变分推断与对抗训练结合，实现从文本到波形的端到端训练，能在150ms以内生成高自然度语音70% 相似待验证现代神经 TTS 系统通常采用两阶段架构：先将文本转换为声学特征（如梅尔频谱），再通过声码器转换为波形音频66% 相似待验证现代TTS方案如VITS、ElevenLabs能生成高度自然的合成语音66% 相似待验证早期ChatGPT语音采用级联架构，先语音转文字、再由大语言模型生成回答、最后转成语音播出66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/25995

API

curl https://kongchang.com/api/v1/knowledge/claims/25995

MCP

get_claim(id=25995)