VITS with phoneme-level prosody modeling based on MaskGIT （WIP）

feature: inference speed ~= bert-vits2 & prosody > bert-vits2 (maybe)

目前代码正在重构，可能还跑不通，目前不建议跑 中文预训练模型不久后会上传（数据：原神中文+aishell+wenetspeech4tts premium 共约1200h）

• Thanks to the support of the GPUs by leng-yue fishaudio
• VITS
• MaskGIT
• AuxiliaryASR and styletts2
• MegaTTS
• descript-audio-codec
• visinger