説明
IndexTTS-2.5は、IndexTeamとBilibiliによって開発された高度なテキスト音声合成モデルです。単一の参照音声クリップから声をクローンするように設計されており、音声合成の強力なツールとなっています。このモデルは、中国語、英語、日本語、スペイン語、アラビア語を含む複数の言語をサポートし、言語を超えた声の転送を可能にします。その主な特徴の一つは、音色から切り離された感情制御であり、ユーザーは合成された音声の感情的なトーンを操作することができます。
続きを読む
前のバージョンであるIndexTTS-2と比較して、このバージョンは日本語、スペイン語、アラビア語などの追加言語のサポートを導入しています。また、推論時間が短縮され、中国語のピンイン、英語のCMU音素、日本語のかなに対する制御性が向上しています。このモデルは、GPTバックボーンで動作し、フローマッチング音声からメルデコーダーを使用し、約8億のパラメータを持つBigVGANボコーダーを使用しています。
IndexTTS-2.5は22.05 kHzの波形を出力し、推論にはPython 3.10–3.11、NVIDIA GPU、および約6 GBのVRAMが必要です。ユーザーはモデルの重みをダウンロードする必要があり、補助モデルは初回実行時にチェックポイントにダウンロードされます。このモデルの制限には、長いテキストをセグメント化する必要があり、セグメント境界を越えた韻律に影響を与えること、声のクローンに対する同意を得るためのユーザーの責任が含まれます。
このモデルはbilibiliモデル使用ライセンス契約の下でライセンスされており、そのリポジトリはGitHubで入手可能です。先月のダウンロード数は約15,000回で、IndexTTS-2.5は高度なテキスト音声合成機能に興味のある開発者や研究者に人気の選択肢となっています。
- カテゴリーテキスト読み上げ
- 料金モデルオープンソース
- デプロイクラウド
- プラットフォームWeb
IndexTTS-2.5のハイライト
ゼロショット声クローン
中国語、英語、日本語、スペイン語、アラビア語をサポート
言語を超えた声の転送
音色から切り離された感情制御
推論時間の短縮
音素の制御性の向上
22.05 kHzの波形出力
GPTバックボーンによる自己回帰型TTS
IndexTTS-2.5をはじめる
モデルにアクセス: Hugging Faceのページを訪問
認証: アクセス資格情報を設定
環境を設定: Python 3.10–3.11と必要なライブラリをインストール
API経由で統合: 提供されたAPIを使用して統合
最適化: 希望する出力のためにパラメータを調整
IndexTTS-2.5の使用例
- 声のクローン
- 多言語合成
- 感情制御
- 言語を超えた転送
- 音素制御










