斯图加特大学自然语言处理研究所（IMS）开发了一个超全文本转语音模型ToucanTTS。ToucanTTS专为教学、训练和使用最先进的语音合成模型而设计。 是目前最多语言的 TTS 模型，支持超过7000种语言的语音合成，具备多说话人语音合成功能，能够模拟多种说话人的节奏、重音和语调。
ToucanTTS 提供了多种应用的交互演示，包括语音设计、风格克隆、多语言语音合成和人工编辑诗歌朗读，展示了其多功能性和强大性能。
该工具包基于 FastSpeech 2 架构，包含一些改进，如基于 PortaSpeech 的正则流 PostNet，确保了自然高质量的语音合成。ToucanTTS 还包含一个使用连接时序分类（CTC）和声谱图重建训练的对齐器，用于多种用途。
主要功能
- 多语言支持：支持几乎所有的 ISO-639-3 标准语言，这意味着它理论上可以支持超过 7000 种语言。是目前支持语言种类最多的 TTS 模型。这使得它在全球范围内具有广泛的适用性，满足不同语言背景用户的需求。通过内置的语言嵌入模型，可以在多个语言之间无缝切换，实现多语言合成。
- 多说话人语音合成：该工具包支持多说话人语音合成功能，可以模拟不同说话人的节奏、重音和语调。这对于需要风格多样性和语音自定义的应用非常有用。
- 可控语音合成：该工具包允许用户控制语音的多个参数，包括音调、语速、情感等。通过这种控制，可以生成具有不同情感或风格的语音输出。
- 高质量语音生成：利用 PyTorch 框架，IMS-Toucan 采用最先进的深度学习技术，保证语音生成的高保真度和自然性。模型支持端到端的训练和推理，能够处理复杂的语音合成任务。
- 人工编辑功能：ToucanTTS 包含人类在环（Human-in-the-loop）的编辑功能，特别适用于文学研究和诗歌朗读任务。用户可以根据自己的需求和喜好自定义合成的语音。
- 自包含对齐器：该工具包还包含一个使用连接时序分类（CTC）和声谱图重建训练的对齐器，适用于多种用途。这提高了语音合成的精度和质量。
- 数据预处理工具：提供了一整套数据预处理工具，包括文本清理和特征提取，简化了训练数据的准备工作。
GitHub：https://github.com/DigitalPhonetics/IMS-Toucan
在线演示：https://huggingface.co/spaces/Flux9665/MassivelyMultilingualTTS
