Fish Speech、Google 的 Tacotron 和 Amazon Polly 都是先進(jìn)的文本轉(zhuǎn)語音 (TTS) 系統(tǒng)，每個(gè)系統(tǒng)都有其獨(dú)特的功能和優(yōu)勢。

主要特征

Fish Speech：Fish Audio 開發(fā)的 Fish Speech 支持英語、中文、日語等多種語言。它提供先進(jìn)的 TTS 功能，并以其自然的語音而聞名。Fish Speech需要至少具有 4GB 內(nèi)存用于推理和 16GB 內(nèi)存用于微調(diào)的 GPU。它包括受 VITS2 和 GPT-SoVITS 等多個(gè)項(xiàng)目影響的功能。

Google 的 Tacotron：Tacotron 是一種基于 RNN + 注意力的模型，可將文本轉(zhuǎn)換為頻譜圖，然后將其轉(zhuǎn)換為語音。它以其高質(zhì)量的語音輸出和動(dòng)態(tài)的說話范圍（韻律）而聞名。 Google 的 Wavenet 是 Tacotron 的擴(kuò)展，由于其先進(jìn)的深度學(xué)習(xí)技術(shù)，可以提供更加逼真的聲音。

Amazon Polly：Amazon Polly 使用深度學(xué)習(xí)技術(shù)將文本轉(zhuǎn)換為逼真的語音。它支持多語言語音合成、音調(diào)和速度控制，并提供每個(gè)單詞的時(shí)間戳以實(shí)現(xiàn)精確同步。 Polly 因其易用性以及與 AWS 服務(wù)的集成而受到贊賞。

語音質(zhì)量

Fish Speech：提供的語言聽起來非常自然。當(dāng)前的穩(wěn)定版本是 Fish Speech 1.1.2。

Google 的 Tacotron/Wavenet：與 Polly 相比，通常可提供卓越的語音質(zhì)量，特別是在小說和非小說類別中。 Wavenet 的動(dòng)態(tài)說話范圍使其更加逼真。

Amazon Polly：提供聽起來自然的聲音，但可能偶爾會(huì)有不自然的語調(diào)變化。它因其可擴(kuò)展性和快速響應(yīng)時(shí)間而受到稱贊。

定制與集成

Fish Speech：提供在線演示，支持Linux和Windows系統(tǒng)。用戶可以通過 Windows 上提供的批處理腳本安裝環(huán)境。

Google 的 Tacotron/Wavenet：提供高質(zhì)量的語音，支持各種語言和口音。然而，用戶報(bào)告了該 SDK 的困難，特別是在并發(fā)支持和錯(cuò)誤處理方面，不知現(xiàn)在有沒改進(jìn)。

Amazon Polly：提供與 AWS 服務(wù)的無縫集成、易用性和可擴(kuò)展性。它提供每個(gè)單詞的時(shí)間戳，但缺乏 Google Cloud TTS 中提供的語音克隆功能。

費(fèi)用

Fish Speech：開源，模型根據(jù) CC-BY-NC-SA-4.0 許可證發(fā)布。

Google 的 Tacotron/Wavenet：比 Polly 貴，提供免費(fèi)套餐，第一年之后無限期延長。

Amazon Polly：具有競爭力的價(jià)格，前 12 個(gè)月免費(fèi)；超出該期限后，每 100 萬個(gè)字符的費(fèi)用為 16 美元。

總結(jié)

總的來說，F(xiàn)ish Speech 因其多語言支持和開源特性和說話自然脫穎而出。 Google 的 Tacotron/Wavenet 在語音質(zhì)量和逼真度方面表現(xiàn)出色。 Amazon Polly 提供與 AWS 服務(wù)的強(qiáng)大集成和具有競爭力的價(jià)格，但可能無法提供與 Google 產(chǎn)品一樣高質(zhì)量的語音。