WeTTS：通过工程化封装降低VITS使用门槛，加速语音合成技术在工业场景的普及

以下是 VITS 与 WeTTS 的技术解释及关系说明，基于公开资料整理：

---

1. VITS（Variational Inference with adversarial learning for Text-to-Speech）

• 定位：由韩国科学院（KAIST）于2021年提出的端到端语音合成模型，结合条件变分自编码器（VAE）与对抗训练，首次实现合成语音自然度接近人类水平（MOS 4.43，仅低于真实录音0.03）[9]。
• 核心技术：
  • 变分推断：通过VAE建模语音潜在分布，结合Normalizing Flow提升生成质量。
  • 随机时长预测：解决传统TTS音素对齐的梯度中断问题，支持端到端训练。
  • 对抗训练：使用多尺度判别器优化语音自然