IndexTTS2

IndexTTS2 简介

据官网介绍，IndexTTS2 是一个工业级可控且高效的零样本文本转语音系统，支持中文和英文，并具备高级声音克隆能力。官网称其为“突破性的自回归零样本 TTS”，强调精确的语音时长控制、情感化生成以及情感表达与说话人身份的解耦。

核心特性

• 精确时长控制：通过显式 token 计数规范和自回归生成，实现韵律复现。
• 情感表达：支持愤怒、快乐、平静、恐惧等多种情感的零样本复现。
• 音色-情感解耦：使用不同提示独立控制说话人身份和情感表达。
• 基于文本的情感控制：集成 Qwen3，可通过自然语言描述生成情感。
• 优越性能：官网称其在词错误率、说话人相似度和情感保真度方面优于现有模型。
• GPT 潜在表示：利用先进的 GPT 潜在表示和软指令机制增强语音稳定性。

快速开始

官网提供了简单的 Python API 集成示例，用户可通过 pip 安装 indextts 包，并调用 IndexTTS 类进行推理。示例代码如下：

# 安装 IndexTTS
pip install indextts

# 导入并初始化
from indextts.infer import IndexTTS
tts = IndexTTS(model_dir=”checkpoints”, cfg_path=”checkpoints/config.yaml”)

# 生成语音
voice = “reference_voice.wav”
text = “Hello, this is IndexTTS speaking!”
output_path = “generated_speech.wav”
tts.infer(voice, text, output_path)

资源与社区

官网提供了文档、GitHub 仓库、API 参考、Discord 和 QQ 群等社区支持。此外，官网还提到 IndexTTS 在 MIT 许可下开源，并提供了隐私政策、条款和许可信息。

性能数据

官网展示了性能相关数据，包括支持 7 种以上情感、3 倍速度控制范围，以及声称在词错误率和说话人相似度方面达到 SOTA（最先进水平）。这些数据均来自官网自身描述。