🔑 名詞卡
VITS（Variational Inference Text-to-Speech）
重點
特徵：音質細膩、訓練效率高，適應多語者情境；應用如虛擬偶像語音生成。
記憶技巧
VITS＝VAE＋GAN 的合體，一次到位「文字進、語音波形出」。
易混淆
- vs Tacotron 2／FastSpeech 2：後兩者為 Seq2Seq 架構（先生成頻譜再轉波形），VITS 是端到端直接生成波形。
- vs Whisper：Whisper 是語音辨識（Speech-to-Text），VITS 是語音合成（Text-to-Speech），方向相反。
📖 課文原文「VITS（Variational Inference Text-to-Speech）：結合變分自編碼器（VAE）與生成對抗網路（GAN），通過端到端訓練直接從文字生成語音波形。VITS 在語音自然度與細節表現（如音色變化）上表現優異。」