Descripción
IndexTTS-2.5 es un sofisticado modelo de texto a voz desarrollado por IndexTeam y Bilibili. Está diseñado para clonar voces a partir de un único clip de audio de referencia, lo que lo convierte en una herramienta poderosa para la síntesis de voz. El modelo soporta múltiples idiomas, incluyendo chino, inglés, japonés, español y árabe, permitiendo la transferencia de voz entre idiomas. Una de sus características clave es el control emocional, que está desacoplado del timbre, proporcionando a los usuarios la capacidad de manipular el tono emocional del habla sintetizada.
Leer más
En comparación con su predecesor, IndexTTS-2, esta versión introduce soporte para idiomas adicionales como japonés, español y árabe. También ofrece tiempos de inferencia más rápidos y un mejor control sobre los fonemas en chino Pinyin, fonemas CMU en inglés y Kana en japonés. El modelo opera con una arquitectura de GPT y utiliza un decodificador de voz a mel de coincidencia de flujo junto con un vocoder BigVGAN, con aproximadamente 0.8 mil millones de parámetros.
IndexTTS-2.5 genera una forma de onda de 22.05 kHz y requiere Python 3.10–3.11, una GPU NVIDIA y aproximadamente 6 GB de VRAM para la inferencia. Los usuarios deben descargar los pesos del modelo, y los modelos auxiliares se descargan en puntos de control en la primera ejecución. Las limitaciones del modelo incluyen la necesidad de segmentar textos largos, lo que afecta la prosodia a través de los límites de segmento, y la responsabilidad del usuario en obtener el consentimiento para la clonación de voces.
El modelo está licenciado bajo el Acuerdo de Licencia de Uso del Modelo de bilibili, y su repositorio está disponible en GitHub. Con casi 15,000 descargas en el último mes, IndexTTS-2.5 es una opción popular para desarrolladores e investigadores interesados en capacidades avanzadas de texto a voz.
- CategoríaTexto a voz
- Modelo de preciosCódigo abierto
- ImplementaciónNube
- PlataformasWeb
Aspectos destacados de IndexTTS-2.5
Clonación de voz de cero disparos
Soporta chino, inglés, japonés, español, árabe
Transferencia de voz entre idiomas
Control emocional desacoplado del timbre
Tiempos de inferencia más rápidos
Mejor control de fonemas
Salida de forma de onda de 22.05 kHz
TTS autorregresivo con arquitectura de GPT
Primeros pasos con IndexTTS-2.5
Acceder al modelo: Visita la página de Hugging Face
Autenticarse: Configura las credenciales de acceso
Configurar el entorno: Instala Python 3.10–3.11 y las bibliotecas requeridas
Integrar a través de API: Usa la API proporcionada para la integración
Optimizar: Ajusta los parámetros para la salida deseada
Casos de uso de IndexTTS-2.5
- Clonación de Voz
- Síntesis Multilingüe
- Control Emocional
- Transferencia entre Idiomas
- Control de Fonemas
