Zonos

Zonos-v0.1 是一款领先的开源文本转语音模型，基于超过20万小时的多语言多样化语音数据训练而成，其表现力和音质可与甚至超越顶级TTS服务商。当输入说话人嵌入向量或音频前缀时，该模型能够从文本提示生成高度自然的语音；在仅提供几秒钟参考音频片段的情况下，还能精准实现语音克隆。其条件控制机制还可精细调节语速、音高变化、音频质量以及喜悦、恐惧、悲伤、愤怒等情感。该模型原生输出采样率为44kHz。