VITS(Conditional Variational Autoencoder with Adversarial Learning)는 텍스트에서 음성 파형을 한 번에 생성하는 종단간(End-to-End) 신경망 TTS 모델입니다. 텍스트→멜스펙트로그램 생성과 별도 보코더를 순차 결합하던 기존 방식과 달리, 변분 오토인코더(VAE)와 정규화 흐름, 적대적 학습(GAN)을 하나의 구조로 통합해 자연스럽고 표현력 있는 음성을 생성합니다. 확률적 지속시간 예측기로 동일 텍스트에서도 다양한 억양과 리듬을 생성하며, 사람 음성에 근접한 자연스러움 덕분에 이후 등장한 다수의 다화자·다국어 TTS 모델의 기반 아키텍처로 널리 채택되었습니다. MIT 라이선스로 자유롭게 연구·상업적 활용이 가능합니다.