描述
IndexTTS-2.5 是由 IndexTeam 和 Bilibili 开发的先进文本到语音模型。它旨在从单个参考音频片段克隆声音,使其成为一个强大的语音合成工具。该模型支持多种语言,包括中文、英语、日语、西班牙语和阿拉伯语,允许跨语言语音转移。其一个关键特性是情感控制,与音色解耦,使用户能够操控合成语音的情感基调。
阅读更多
与前身 IndexTTS-2 相比,此版本引入了对日语、西班牙语和阿拉伯语等额外语言的支持。它还提供更快的推理时间,并改善了对中文拼音、英语 CMU 音素和日语假名的可控性。该模型以 GPT 为基础,使用流匹配的语音到梅尔解码器以及 BigVGAN 语音编码器,拥有约 8 亿个参数。
IndexTTS-2.5 输出 22.05 kHz 的波形,并需要 Python 3.10–3.11、NVIDIA GPU 和约 6 GB 的 VRAM 进行推理。用户需要下载模型权重,辅助模型在首次运行时下载到检查点。该模型的局限性包括需要对长文本进行分段,这会影响段边界的韵律,以及用户在获取语音克隆同意方面的责任。
该模型根据 bilibili 模型使用许可协议进行许可,其代码库可在 GitHub 上获取。在过去一个月中,IndexTTS-2.5 的下载量接近 15,000 次,是开发者和研究人员对先进文本到语音能力感兴趣的热门选择。
- 类别文字转语音
- 定价模式开源
- 部署云端
- 平台网页版
IndexTTS-2.5亮点
零样本语音克隆
支持中文、英语、日语、西班牙语、阿拉伯语
跨语言语音转移
与音色解耦的情感控制
更快的推理时间
改善的音素可控性
22.05 kHz 波形输出
基于 GPT 的自回归 TTS
IndexTTS-2.5入门
访问模型:访问 Hugging Face 页面
身份验证:设置访问凭证
设置环境:安装 Python 3.10–3.11 和所需库
通过 API 集成:使用提供的 API 进行集成
优化:调整参数以获得所需输出
IndexTTS-2.5的使用案例
- 语音克隆
- 多语言合成
- 情感控制
- 跨语言转移
- 音素控制










