VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一種結合了變分推理（variational inference）、標準化流（normalizing flows）和對抗訓練的高表現力語音合成模型。它通過隱變數而非頻譜串聯起語音合成中的聲學模型和聲碼器，在隱變數上進行隨機建模並利用隨機時長預測器，從而提高了合成語音的多樣性。這意味著輸入同樣的文本，VITS能夠合成不同聲調和韻律的語音。
VITS模型是由韓國科學院在2021年6月提出的，它利用變分推理和對抗訓練的優點，通過隱變數建模和隨機時長預測，增強了語音合成的表現力。這種方法不僅提高了語音合成的自然度，還增加了合成語音的多樣性和個性化。