整合包地址：https://pan.quark.cn/s/e115d7385bfe
近年来，零样本语音合成（Zero-Shot TTS）在声音克隆和语音合成领域发展迅速。
然而，自回归（Autoregressive）TTS 虽然具备更自然的生成效果，却存在一个核心痛点：语音时长难以精确控制。
这在影视配音、动漫、游戏角色语音等需要音画严格对齐的场景中，成为了一大障碍。
IndexTTS2 正是在此背景下推出的突破性工作。它不仅首次实现了自回归模型下的时长可控合成，还将说话人音色与情感表达解耦，并支持基于文本的情感控制，大幅提升了 TTS 的可用性与表现力。
开源地址：https://github.com/index-tts/index-tts/
demo地址：https://index-tts.github.io/index-tts2.github.io/
论文地址：https://arxiv.org/abs/2502.05512
技术亮点
1. 时长可控机制
- 可控模式：通过在生成时指定目标 token 数，严格控制语音时长。
- 自由模式：不限制 token 数，自然生成语音，保持语调和韵律。
2. 声音与情感解耦
- 通过梯度反转层（GRL）训练，使模型能分离 说话人音色 与 情感特征。
- 这样用户可以自由组合：
- 指定一个人的音色
- 再叠加另一段语音的情绪
3. 文本驱动的情感控制
- 内置 T2E（Text-to-Emotion）模块，基于 Qwen-3 微调模型，将自然语言描述转为情绪向量。
- 用户只需输入一句文字描述，例如
"愤怒地质问"，即可驱动合成语音的情绪表现。
4. GPT Latent + 三阶段训练
- 引入 GPT latent 表征，提升强情感场景下的语音稳定性和清晰度。
- 三阶段训练策略解决了数据不足和过拟合问题，使合成结果更加自然流畅。
5. 开源与可复现
- 提供完整开源代码与模型权重（HuggingFace & ModelScope），支持研究与二次开发。
🎬 应用场景
- 🎤 影视/动漫配音：保证音画严格对齐
- 🧑💻 虚拟主播与数字人：可控的情绪驱动，更加自然生动
- 🌏 跨语言配音：任意音色+情绪迁移
- 📢 广告与新闻播报：节奏感强、情绪可控
📦 模型下载
| 平台 | 地址 |
|---|---|
| HuggingFace | 😁 IndexTTS-2 |
| ModelScope | IndexTTS-2 |
| GitHub 源码 | IndexTTS GitHub |
⚙️ 本地快速启动指南
1. 环境准备
确保已安装：
启用 Git-LFS:
git lfs install
克隆仓库：
git clone https://github.com/index-tts/index-tts.git && cd index-tts
git lfs pull
安装依赖（推荐使用 uv）：
uv sync --all-extras
若下载缓慢可切换国内镜像：
uv sync --all-extras --default-index "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"
2. 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
3. 启动 Web Demo
uv run webui.py
浏览器访问 http://127.0.0.1:7860 即可使用。
Python 使用示例
语音克隆
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints")
text = "你好，这是 IndexTTS2 的语音合成示例。"
tts.infer(spk_audio_prompt='examples/voice_01.wav', text=text, output_path="gen.wav")
情感迁移
tts.infer(
spk_audio_prompt='examples/voice_07.wav',
text="今天的比赛真是太刺激了！",
output_path="gen.wav",
emo_audio_prompt="examples/emo_excited.wav"
)
文本驱动情感
tts.infer(
spk_audio_prompt='examples/voice_10.wav',
text="你为什么要这样对我？",
output_path="gen.wav",
use_emo_text=True,
emo_text="愤怒的质问"
)
总结
IndexTTS2 代表了零样本 TTS 进入情感与时长可控新时代：
- 解决了自回归语音合成时长不可控的历史难题
- 支持音色与情感分离，实现任意组合
- 引入文本驱动的情感控制，降低了使用门槛
随着开源生态的扩展，IndexTTS2 有望在 影视配音、虚拟主播、游戏角色、数字人 等多个场景中发挥更大价值。
