模型
Tacotron2
Google提出的端到端TTS语音合成模型，引入序列到序列（Seq2Seq）架构，将文字到声学特征的转换与波形生成整合，显著提升合成速度与自然度
时间轴 (近 90 天)
10月11日
Tacotron2是一种两阶段管线：先将文字转为梅尔频谱图，再通过声码器（如WaveGlow或HiFi-GAN）合成波形
待验证50%
10月11日
VITS是端到端单阶段模型，通常在同等硬件上比Tacotron2快2-3倍且质量更高
待验证50%
Google提出的端到端TTS语音合成模型，引入序列到序列（Seq2Seq）架构，将文字到声学特征的转换与波形生成整合，显著提升合成速度与自然度
Tacotron2是一种两阶段管线：先将文字转为梅尔频谱图，再通过声码器（如WaveGlow或HiFi-GAN）合成波形
VITS是端到端单阶段模型，通常在同等硬件上比Tacotron2快2-3倍且质量更高