Aller au contenu
EN 4 QUESTIONSTrouver mon modèle
Fiche · Synthèse vocale · relevé du

StyleTTS 2

?Columbia University

  • Poids ouverts

En bref : 92e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un peloton de 6 modèles que la marge d'erreur ne permet pas de séparer.

Présentation

Modèle de synthèse vocale qui génère le style de la voix par diffusion, sans extrait de référence, et qui s'entraîne avec de grands modèles de langage vocaux (comme WavLM) servant de discriminateurs. Les auteurs proposent des modèles préentraînés sur LJSpeech (une seule voix) et sur LibriTTS (plusieurs voix, adaptation à un nouveau locuteur en zéro-shot). Lu sur raw.githubusercontent.com, le 17/10/2026.

Sortie
13 juin 2023 lu sur la page de l'éditeur

Page de l'éditeur

Langues

Son classement

Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.

Modèles proches

Comment lire ces chiffres

Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

D'où vient cette fiche

Nom dans les sources
Artificial Analysis : StyleTTS 2
Fiche
Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
Pages lues
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« StyleTTS 2 differs from its predecessor by modeling styles as a latent random variable through diffusion models to generate the most suitable style for the text without requiring reference speech »), 17/10/2026
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« Furthermore, we employ large pre-trained SLMs, such as WavLM, as discriminators with our novel differentiable duration modeling for end-to-end training »), 17/10/2026
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« Moreover, when trained on the LibriTTS dataset, our model outperforms previous publicly available models for zero-shot speaker adaptation. »), 17/10/2026
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« The pretrained StyleTTS 2 on LJSpeech corpus in 24 kHz can be downloaded at »), 17/10/2026
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« The pretrained StyleTTS 2 model on LibriTTS can be downloaded at »), 17/10/2026
  • https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« It contains the pre-trained [PL-BERT](https://arxiv.org/abs/2301.08810) model, which was pre-trained on English (Wikipedia) corpus only. »), 17/10/2026
  • https://arxiv.org/abs/2306.07691v1 (« [Submitted on 13 Jun 2023 (this version), latest version 20 Nov 2023 ( v2 )] »), 17/10/2026

Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.