IndexTTS 2.5

IndexTTS 是一款工业级、高度可控且高效的零样本语音合成（Text-To-Speech / TTS）系统。对于普通用户和内容创作者来说，它就像一个“AI 声音克隆与配音大师”：

IndexTTS 2.5 相比于 2.0 的升级亮点

1. 多语言拓展：在原有中英双语基础上，新增了日语、西班牙语、阿拉伯语支持（现支持中、英、日、西、阿 5 种语言），并提升了跨语言音色迁移能力。
2. 推理速度与吞吐显著提升：2.5 版本优化了模型结构与推理流程，全面支持 BF16 精度与 vLLM 部署框架，生成速度更快，推理延迟更低。
3. 新增语速调节（duration_factor）：支持在 0.5x–2.0x 范围内灵活控制合成语音的整体时长与语速。
4. 多语言发音控制升级：从 2.0 时代的中文拼音控制扩展到中文拼音、英文 CMU 音标、日语假名的全方位精确发音控制。

核心功能

• 零样本声音克隆（1秒极速复刻）：只需提供一段简短的参考音频（几秒钟），系统就能精准克隆出目标说话人的音色。
• 丰富的情感表现与独立控制：支持精细化情感调节。你可以让合成的语音表达欢快、悲伤、愤怒等情绪，甚至可以把“张三的说话声音（音色）”与“李四的表达情感”结合起来（音色与情感解耦），或者直接输入一段文字描述（如“用焦急且低沉的声音说”）来控制语音情绪。
• 语速与停顿精准掌控：支持对合成语音进行 0.5 倍到 2.0 倍的语速调节，并能精准控制句中停顿与节奏，非常适合对音视频对齐有严苛要求的场景。
• 发音精准纠错：支持通过拼音（中文）、CMU 音标（英文）和假名（日文）直接指定发音，彻底解决多音字错读、生僻字发音不准的问题。

研发团队与应用场景

• 开发团队：由 哔哩哔哩（Bilibili）IndexTeam / 语音团队 自研并开源。
• 适用场景：
• 长视频/短视频配音：自媒体创作、影视对白、动漫与游戏角色配音。
• 有声书与播客：批量生成富有情感色彩的角色朗读。
• 虚拟人与 AI 助手：为交互式虚拟主播、智能客服提供实时且自然的人声。
• 跨语言出海配音：将某种语言的音色无缝切换至其他语言进行跨语言朗读。

底层核心技术

IndexTTS 架构采用了自回归（Autoregressive）大模型路线：

• 模型架构：基于约 8 亿参数（0.8B）的 GPT 式自回归 BackBone 结构，结合 Flow-Matching 语音解码器与 BigVGAN 高保真声码器。
• 声学特征解耦：引入自研的特征分离与融合策略，将音色（Timbre）与情感（Emotion）特征互相解耦，并结合文本软指令（基于 Qwen 等大模型微调）实现自然语言引导的情感控制。
• 音标与建模：采用字符-拼音/音标混合建模机制，结合 MaskGCT 语义编解码器、w2v-bert-2.0 及 CAMPPlus 说话人提取模型，确保高自然度与低字错率（WER）。
• 推理加速：支持 BF16/FP16 半精度推理、DeepSpeed 加速以及 vLLM 生产级部署支持。