AI工作站

IndexTTS2是由B站（Bilibili）开发的自回归零样本语音合成模型，于2025年9月8日正式开源。IndexTTS2是首个支持精确时长控制的自回归TTS模型。支持零样本声音克隆，仅需一个音频文件即可精准复制音色、节奏和说话风格，支持多语言。IndexTTS2实现了情感音色分离控制，用户可以独立指定音色来源和情绪来源。

IndexTTS2相关网址链接：

1、项目官网：https://index-tts.github.io/index-tts2.github.io/

2、Github仓库：https://github.com/index-tts/index-tts

3、HuggingFace模型库：https://huggingface.co/IndexTeam/IndexTTS-2

4、arXiv技术论文：https://arxiv.org/pdf/2506.21619

IndexTTS2功能特点

1、精确时长控制：首次在自回归架构中实现了精准时长控制，支持两种生成模式。一种可通过明确指定生成的token数实现精确时长控制，另一种则自由生成，保持输入提示的韵律特征。这使得IndexTTS2特别适合视频配音等需严格音画同步的应用场景。

2、情感音色分离控制：实现了情感特征与说话人音色的解耦，用户可以独立指定音色来源和情绪来源。例如，可以用一段音频保留音色，再用另一段不同情感的音频或文本描述赋予情绪，在零样本条件下，模型能精准还原目标音色并完全重现指定情绪。

3、多模态情感输入：支持多种情感输入方式，包括音频情感参考、文本情感描述、情感向量精确控制等，用户可以根据需要选择合适的方式进行情感控制。

4、高情感表达下的语音清晰度提升：引入了GPT潜在表示，并设计了三阶段训练策略，增强了生成语音的稳定性和清晰度。

5、基于文本的情感控制：通过微调Qwen3模型，实现了“软指令”机制，允许用户通过自然语言描述来直观控制情绪方向，降低了使用门槛。

6、强大的技术性能：在多数据集实验中，IndexTTS2在词错率、说话人相似度和情绪保真度上均超越了当前最先进零样本TTS模型。

数据统计