microsoft/speecht5_tts

El modelo SpeechT5-TTS es un modelo de síntesis de voz (text-to-speech) basado en arquitectura encoder-decoder unificada de voz y texto (SpeechT5), que genera voz en inglés a partir de texto usando un embedding de hablante para la voz. Ha sido entrenado sobre el dataset de referencia LibriTTS, utilizado en investigación para tareas de text-to-speech.

Este modelo está alojado en la plataforma de Hugging Face, que actúa como repositorio y ecosistema para la distribución de modelos de inteligencia artificial preentrenados y listos para su uso en producción o investigación. En el contexto de la Cátedra, este modelo se incluye como una selección orientada a tareas de audio y voz, específicamente para la síntesis de voz en inglés (con licencia MIT, opción preferente si se requiere uso comercial), con un enfoque académico y experimental.

Puedes consultar el modelo desde este link: https://huggingface.co/microsoft/speecht5_tts