Fish Speech Introduction

Fish Speech memanfaatkan teknik pembelajaran mendalam yang canggih, termasuk arsitektur model bahasa besar dan decoder VITS, untuk mengubah teks menjadi suara yang terdengar alami. Ini menggunakan strategi decoding autoregressive ganda untuk menghasilkan audio yang stabil dan berkualitas tinggi. Sistem ini dapat mengkloning suara hanya dengan 10 detik prompt audio dan menawarkan kemampuan sintesis emosional. Fish Speech memproses input teks dengan menganalisis fitur linguistik, memprediksi suara yang sesuai dan elemen prosodik seperti nada dan intonasi, kemudian menghasilkan output audio yang sangat meniru pola bicara alami. Model ini beroperasi pada sekitar 20 token per detik, memungkinkan untuk menghasilkan konten dengan cepat.