现有自回归大规模文本转语音（TTS）模型在语音自然度方面具有优势，但其逐token生成机制难以精确控制合成语音的时长。这在需要严格视音频同步的应用（如视频配音）中成为显著限制。
本文提出了IndexTTS2，创新性地提出了一种通用且适用于自回归模型的语音时长控制方法。
该方法支持两种生成模式：一种可显式指定生成token数量以精确控制语音时长；另一种则自由自回归生成语音，同时忠实还原输入提示的韵律特征。
此外，IndexTTS2实现了情感表达与说话人身份的解耦，可独立控制音色和情感。在零样本设置下，模型能准确复刻目标音色（来自音色提示），同时完美还原指定的情感语调（来自风格提示）。
为提升高情感表达下的语音清晰度，我们引入GPT潜在表示，并设计了三阶段训练范式，提升生成语音的稳定性。为降低情感控制门槛，我们基于文本描述微调Qwen3，设计了软指令机制，有效引导语音生成所需情感。
多数据集实验结果表明，IndexTTS2在词错误率、说话人相似度和情感保真度方面均超越现有零样本TTS模型。音频样例见：IndexTTS2演示页面。
Tips: 如需更多信息请联系作者。商业合作请联系 indexspeech@bilibili.com。
IndexTTS2：语音未来，现已生成
点击图片观看IndexTTS2介绍视频
QQ群：553460296(1群) 663272642(4群)
Discord：https://discord.gg/uT32E7KDmy
邮箱：indexspeech@bilibili.com
欢迎加入我们的社区！🌏
欢迎大家交流讨论！
[!CAUTION] 感谢大家对bilibili indextts项目的支持与关注！ 请注意，目前由核心团队直接维护的官方渠道仅有: https://github.com/index-tts/index-tts. 其他任何网站或服务均非官方提供，我们对其内容及安全性、准确性和及时性不作任何担保。 为了保障您的权益，建议通过上述官方渠道获取bilibili indextts项目的最新进展与更新。
2025/09/08🔥🔥🔥 IndexTTS-2全球发布！- 首个支持精确合成时长控制的自回归TTS模型，支持可控与非可控模式。本版本暂未开放该功能。
- 模型实现高度情感表达的语音合成，支持多模态情感控制。
2025/05/14🔥🔥 IndexTTS-1.5发布，显著提升模型稳定性及英文表现。2025/03/25🔥 IndexTTS-1.0发布，开放模型权重与推理代码。2025/02/12🔥 论文提交arXiv，发布演示与测试集。
IndexTTS2架构总览：
主要创新点：
- 提出自回归TTS模型的时长自适应方案。IndexTTS2是首个将精确时长控制与自然时长生成结合的自回归零样本TTS模型，方法可扩展至任意自回归大模型。
- 情感与说话人特征从提示中解耦，设计特征融合策略，在高情感表达下保持语义流畅与发音清晰，并开发了基于自然语言描述的情感控制工具。
- 针对高表达性语音数据缺乏，提出高效训练策略，显著提升零样本TTS情感表达至SOTA水平。
- 代码与预训练权重将公开，促进后续研究与应用。
| HuggingFace | ModelScope |
|---|---|
| 😁 IndexTTS-2 | IndexTTS-2 |
| IndexTTS-1.5 | IndexTTS-1.5 |
| IndexTTS | IndexTTS |
在仓库中启用Git-LFS：
git lfs install
- 下载代码：
git clone https://github.com/index-tts/index-tts.git && cd index-tts
git lfs pull # 下载大文件
- 安装 uv 包管理器。 必须使用uv保证依赖环境可靠。
[!TIP] 快速安装方法：
uv安装方式多样，详见官网。也可快速安装：
pip install -U uv
[!WARNING] 本文档仅支持uv安装。其他工具如conda/pip无法保证依赖正确，可能导致偶发bug、报错、GPU加速失效等问题。
uv比pip快115倍，强烈推荐。
- 安装依赖：
使用uv安装依赖时，会创建虚拟环境，将所有依赖安装到.venv目录：
uv sync --all-extras
如中国大陆地区用户下载缓慢，可选用国内镜像：
uv sync --all-extras --default-index "https://mirrors.aliyun.com/pypi/simple"
uv sync --all-extras --default-index "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"
[!TIP] 可选功能：
--all-extras：安装全部可选功能。可去除自定义。--extra webui：安装WebUI支持（推荐）。--extra deepspeed：安装DeepSpeed加速。
[!IMPORTANT] Windows注意： DeepSpeed在部分Windows环境较难安装，可去除
--all-extras。Linux/Windows注意： 如遇CUDA相关报错，请确保已安装NVIDIA CUDA Toolkit 12.8及以上。
- 下载模型：
HuggingFace下载：
uv tool install "huggingface_hub[cli]"
hf download IndexTeam/IndexTTS-2 --local-dir=checkpoints
ModelScope下载：
uv tool install "modelscope"
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints
[!NOTE] 项目首次运行还会自动下载部分小模型。如网络访问HuggingFace较慢，建议提前设置：
export HF_ENDPOINT="https://hf-mirror.com"
可运行脚本检测机器是否有GPU，以及是否安装了GPU版本的PyTorch。（如PyTorch版本不对，可能使用CPU启动，推理会非常慢）
uv run tools/gpu_check.py
uv run webui.py
浏览器访问 http://127.0.0.1:7860 查看演示。
可通过命令行参数开启FP16推理（降低显存占用）、DeepSpeed加速、CUDA内核编译加速等。可运行以下命令查看所有选项：
uv run webui.py -h
祝使用愉快！
用uv run <file.py>保证程序在uv创建的虚拟环境下运行。部分情况需要指定PYTHONPATH。
示例：
PYTHONPATH="$PYTHONPATH:." uv run indextts/infer_v2.py
以下为IndexTTS2脚本调用示例：
- 单一参考音频（音色克隆）：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "Translate for me, what is a surprise!"
tts.infer(spk_audio_prompt='examples/voice_01.wav', text=text, output_path="gen.wav", verbose=True)
- 指定情感参考音频：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。"
tts.infer(spk_audio_prompt='examples/voice_07.wav', text=text, output_path="gen.wav", emo_audio_prompt="examples/emo_sad.wav", verbose=True)
- 可调节情感参考音频的权重（
emo_alpha，范围0.0-1.0，默认1.0）：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "酒楼丧尽天良，开始借机竞拍房间，哎，一群蠢货。"
tts.infer(spk_audio_prompt='examples/voice_07.wav', text=text, output_path="gen.wav", emo_audio_prompt="examples/emo_sad.wav", emo_alpha=0.9, verbose=True)
- 可直接指定8维情感向量
[高兴, 愤怒, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静]，可用use_random开启随机情感采样（默认False）：
[!NOTE] 开启随机采样会降低音色的还原度。
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "哇塞！这个爆率也太高了！欧皇附体了！"
tts.infer(spk_audio_prompt='examples/voice_10.wav', text=text, output_path="gen.wav", emo_vector=[0, 0, 0, 0, 0, 0, 0.45, 0], use_random=False, verbose=True)
- 可用
use_emo_text根据文本自动生成情感向量，可用use_random开启随机情感采样：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "快躲起来！是他要来了！他要来抓我们了！"
tts.infer(spk_audio_prompt='examples/voice_12.wav', text=text, output_path="gen.wav", emo_alpha=0.6, use_emo_text=True, use_random=False, verbose=True)
- 可直接指定情感文本描述（
emo_text），实现文本与情感分离控制：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_fp16=False, use_cuda_kernel=False, use_deepspeed=False)
text = "快躲起来！是他要来了！他要来抓我们了！"
emo_text = "你吓死我了！你是鬼吗？"
tts.infer(spk_audio_prompt='examples/voice_12.wav', text=text, output_path="gen.wav", emo_alpha=0.6, use_emo_text=True, emo_text=emo_text, use_random=False, verbose=True)
[!TIP] 拼音使用注意事项:
IndexTTS2依然支持中文字符与拼音混合建模。 在使用时，如果需要精确的发音控制，请输入包含特定拼音标注的文本来触发拼音控制功能。 需要注意的是：拼音控制并不是对所有声母韵母（辅音、元音）组合都生效，系统仅保留中文合法拼音的发音。 具体合法情况可参考项目中的
checkpoints/pinyin.vocab文件。参考样例:
之前你做DE5很好，所以这一次也DEI3做DE2很好才XING2，如果这次目标完成得不错的话，我们就直接打DI1去银行取钱。
如果需要使用旧的IndexTTS1.5模型，可以import旧模块：
from indextts.infer import IndexTTS
tts = IndexTTS(model_dir="checkpoints",cfg_path="checkpoints/config.yaml")
voice = "examples/voice_07.wav"
text = "大家好，我现在正在bilibili 体验 ai 科技，说实话，来之前我绝对想不到！AI技术已经发展到这样匪夷所思的地步了！比如说，现在正在说话的其实是B站为我现场复刻的数字分身，简直就是平行宇宙的另一个我了。如果大家也想体验更多深入的AIGC功能，可以访问 bilibili studio，相信我，你们也会吃惊的。"
tts.infer(voice, text, 'gen.wav')
详细信息见 README_INDEXTTS_1_5，或访问 index-tts:v1.5.0。
IndexTTS2: [论文]; [演示]; [ModelScope]; [HuggingFace]
IndexTTS1: [论文]; [演示]; [ModelScope]; [HuggingFace]
我们诚挚感谢来自Bilibili的同事们，是大家的共同努力让IndexTTS系列得以实现。
- Siyi Zhou – 核心作者；在IndexTTS2中主导模型架构设计与训练流程优化，重点推动多语言、多情感合成等关键功能。
- Wei Deng – 核心作者；在IndexTTS1中主导模型架构设计与训练流程，负责基础能力建设与性能优化。
- Jingchen Shu – 核心作者；负责整体架构设计、跨语种建模方案与训练策略优化，推动模型迭代。
- Xun Zhou – 核心作者；负责跨语言数据处理与实验，探索多语种训练策略，并在音质提升与稳定性评估方面作出贡献。
- Jinchao Wang – 核心作者；负责模型开发与部署，构建推理框架并支持系统落地。
- Yiquan Zhou – 核心作者；参与模型实验与验证，并提出并实现了基于文本的情感控制。
- Yi He – 核心作者；参与模型实验与验证。
- Lu Wang – 核心作者；负责数据处理与模型评测，支持模型训练与性能验证。
- Yining Wang – 技术贡献者；负责开源代码的实现与维护，支持功能适配与社区发布。
- Yong Wu – 技术贡献者；参与数据处理与实验支持，保障模型训练的数据质量与迭代效率。
- Yaqin Huang – 技术贡献者；参与系统性模型评估与效果跟进，提供反馈以支持迭代优化。
- Yunhan Xu – 技术贡献者；在录音与数据采集方面提供指导，并从产品与运营角度提出改进建议，提升模型的易用性与实际应用效果。
- Yuelang Sun – 技术贡献者；在音频录制与数据采集方面提供专业支持，保障模型训练与评测所需的高质量数据。
- Yihuang Liang – 技术贡献者；参与系统性模型评估与项目推广，帮助IndexTTS项目扩大影响力并提升用户参与度。
- Huyang Sun – 对IndexTTS项目给予了大力支持，确保了项目的战略方向与资源保障。
- Bin Xia – 参与技术方案的评审、优化与跟进，重点关注模型效果的保障。
🌟 如果本项目对您有帮助，请为我们点star并引用论文。
IndexTTS2:
@article{zhou2025indextts2, title={IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech}, author={Siyi Zhou, Yiquan Zhou, Yi He, Xun Zhou, Jinchao Wang, Wei Deng, Jingchen Shu}, journal={arXiv preprint arXiv:2506.21619}, year={2025} }
IndexTTS:
@article{deng2025indextts, title={IndexTTS: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System}, author={Wei Deng, Siyi Zhou, Jingchen Shu, Jinchao Wang, Lu Wang}, journal={arXiv preprint arXiv:2502.05512}, year={2025}, doi={10.48550/arXiv.2502.05512}, url={https://arxiv.org/abs/2502.05512} }
