【免费下载链接】IndexTTS-2.5项目地址https://ai.gitcode.com/hf_mirrors/IndexTeam/IndexTTS-2.5点击查看免费下载IndexTTS-2.5 是哔哩哔哩 IndexTeam 发布的零样本zero-shot文本转语音模型仅凭一段参考音频即可克隆说话人音色并支持中文、英文、日文、西班牙文、阿拉伯文五种语言之间的跨语言音色迁移同时将情感表达与音色解耦、独立控制。本文以仓库内 README.md 为骨架结合 config.yaml、LICENSE 及各权重文件完整覆盖从环境安装、权重下载、推理 API 到配置项与已知限制的全链路实操读完即可在你的 NVIDIA GPU 上跑通语音克隆、情感控制、发音纠偏与语速调节四类典型场景。一、模型概览与核心特性IndexTTS-2.5 是一个自回归Autoregressive零样本 TTS模型整体由三部分组成GPT 骨干backbone负责从文本条件与参考音频条件中预测语义 token参数量约 0.8Bflow-matching 语音转 Mel 解码器speech-to-mel decoder将语义 token 流式生成 Mel 谱BigVGAN 声码器vocoder将 Mel 谱还原为22.05 kHz波形输出。这一点与仓库中的 config.yaml 相互印证配置中gpt段定义了 24 层、1280 维、20 头的 GPT 主干s2mel段定义了基于 DiT 的 flow-matching 解码器与 WaveNet 输出层vocoder段明确为bigvgan类型。相对于 IndexTTS-2IndexTTS-2.5 的主要升级点包括新增语种在中文、英文基础上加入日文、西班牙文、阿拉伯文共五语种支持推理速度更快新增语速控制duration_factor参数发音可控性大幅提升中文拼音带数字声调、英文 CMU 音素、日文假名均可在文本中以word|reading形式显式指定。模型官方信息一览来源README.md项目内容开发方IndexTeam, Bilibili模型类型自回归零样本 TTSGPT backbone flow-matching speech-to-mel decoder BigVGAN vocoder参数量约 0.8BGPT 骨干支持语言中文、英文、日文、西班牙文、阿拉伯文输出格式22.05 kHz 波形许可证bilibili Model Use License Agreement技术报告IndexTTS 2.5 Technical ReportarXiv:2601.03888二、环境要求与安装官方文档明确要求的运行环境为Python 3.10–3.11NVIDIA GPU推理时约需6 GB 显存启用 bf16 精度后使用uv作为 Python 包与虚拟环境管理工具。安装步骤如下按 README.md 原文git clone https://gitcode.com/hf_mirrors/IndexTeam/IndexTTS-2.5.git cd IndexTTS-2.5 pip install -U uv uv sync --all-extras说明本仓库以模型权重、配置文件与文档为主推理所需的indextts包与webui.py位于 README 中给出的上游 index-tts 源码仓库克隆后执行uv sync --all-extras即可解析全部依赖含 Web UI 等扩展依赖。三、下载模型权重权重支持从 HuggingFace 与 ModelScope 两条渠道获取官方命令如下# HuggingFace uv tool install huggingface-hub hf download IndexTeam/IndexTTS-2.5 --local-dircheckpoints # 或 ModelScope uv tool install modelscope modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir checkpoints权重统一放置到checkpoints/目录。本仓库内已经提供了其中核心权重与辅助文件可直接对照gpt.pthGPT 骨干权重对应配置gpt_checkpoint: gpt.pths2mel.pthflow-matching speech-to-mel 解码器权重对应配置s2mel_checkpoint: s2mel.pthcodec.pth语义编解码器semantic codeccodebook 大小 8192见 config.yaml 的semantic_codec段feat1.pt / feat2.pt分别对应配置中的spk_matrix音色矩阵与emo_matrix情感矩阵wav2vec2bert_stats.pt说话人表征w2v-bert的统计量文件multilingual_zh_ja_yue_char_del.tiktoken多语种中/日/粤字符级分词表qwen0.6bemo4-mergeQwenEmotion 情感抽取小模型目录详见下文“文本情感控制”。另外需要特别注意w2v-bert-2.0、MaskGCT 语义 codec、CAMPPlus、BigVGAN 四个辅助模型不包含在仓库内首次运行时会被自动下载到checkpoints/hf_cache/目录无需手动干预。四、推理实战四类典型场景推理统一通过indextts.infer_v2_5模块中的IndexTTS2类完成。首先构造模型实例from indextts.infer_v2_5 import IndexTTS2 tts IndexTTS2(cfg_pathcheckpoints/config.yaml, model_dircheckpoints, use_bf16True)其中cfg_path指向 config.yamlmodel_dir指向权重目录use_bf16True开启 bf16 以降低显存占用约 6 GB 即可推理。构造器还支持use_qwen_emo、use_emo_text、use_random等参数分别控制情感模型加载、文本情感输入与情感随机采样具体约束见第六节。4.1 基础语音克隆Voice Cloningtts.infer( spk_audio_promptprompt.wav, textHello, this is a voice cloning demo., langEN, output_pathoutput.wav, )spk_audio_prompt参考音频路径零样本克隆的“样本来源”无需任何微调即可模仿该音色lang文本语言标签五语种分别使用ZH、EN、JA、ES、AR跨语言场景下参考音频语种与text语种可以不同即跨语言音色迁移cross-lingual voice transfer。4.2 情感控制8 维情感向量情感以8 个浮点数组成的向量传入顺序固定为[happy, angry, sad, afraid, disgusted, melancholic, surprised, calm]即快乐、愤怒、悲伤、恐惧、厌恶、忧郁、惊讶、平静。# 把“悲伤”拉到 0.8其余情感保持 0 tts.infer( spk_audio_promptprompt.wav, text快躲起来是他要来了, langZH, output_pathoutput.wav, emo_vector[0, 0, 0.8, 0, 0, 0, 0, 0], )情感与音色在模型内部被解耦处理情感矩阵权重保存在 feat2.pt配置项emo_matrix而音色矩阵保存在 feat1.pt配置项spk_matrix。从 config.yaml 的emo_num: [3, 17, 2, 8, 4, 5, 10, 24]可以看出每个情感维度在情感矩阵中对应不同数量的离散强度等级模型据此对情感进行细粒度插值控制。4.3 发音控制拼音 / CMU 音素 / 假名针对多音字、外来词等易错发音支持在文本中以词|读音形式显式指定读音# 中文拼音数字声调银行(xíng) / 行走(háng) tts.infer( spk_audio_promptprompt.wav, text他在银行|XING2里行|HANG2走了半天。, langZH, output_pathoutput.wav, )中文使用带数字声调的拼音如行|XING2英文使用 CMU 音素日文使用假名。该能力由多语种分词表支撑仓库内 multilingual_zh_ja_yue_char_del.tiktoken 即为此类多语种字符级处理而提供这也是 2.5 相比 2.0 在发音可控性上的核心改进。4.4 语速控制duration_factorduration_factor用于调节语速取值范围为 0.5–2.0 1.0放慢语速 1.0加快语速。tts.infer( spk_audio_promptprompt.wav, text大家好欢迎来到IndexTTS。, langZH, output_pathoutput.wav, duration_factor1.2, # 放慢到 1.2 倍时长 )语速控制由 config.yaml 中s2mel段的length_regulator时长调节器实现该模块以 512 通道对内容序列进行时长规整is_discrete: false表示连续时长预测模式。五、Web UI 交互界面除 Python API 外仓库提供开箱即用的图形界面uv run webui.py在已执行uv sync --all-extras安装全部扩展依赖的前提下该命令会启动本地 Web 服务可在浏览器中完成参考音频上传、文本输入、语言与情感选择、试听与下载的完整流程适合快速验证效果与产品原型。六、配置详解读懂 config.yamlconfig.yaml 是模型初始化的唯一配置入口version: 2.5各关键段与仓库权重文件一一对应配置段关键字段说明对应文件gptmodel_dim: 1280、layers: 24、heads: 20GPT 骨干规模max_text_tokens: 600、max_mel_tokens: 1815为上下文上限condition_type: conformer_perceiver表示采用 conformer-perceiver 条件注入模块gpt.pthsemantic_codeccodebook_size: 8192、hidden_size: 1024语义 token 的离散编码空间codec.pths2meldit_type: DiT、reg_loss_type: l1flow-matching 解码器style_encoder编码参考音色length_regulator做时长规整wavenet作为最终输出层s2mel.pthw2v_statwav2vec2bert_stats.pt说话人表征统计量wav2vec2bert_stats.ptspk_matrix/emo_matrixfeat1.pt/feat2.pt音色矩阵与情感矩阵feat1.pt / feat2.ptqwen_emo_pathqwen0.6bemo4-merge/文本情感控制所需的 QwenEmotion 模型路径qwen0.6bemo4-mergevocodertype: bigvgan、name: bigvgan_generator.pt最终声码器首跑自动下载至checkpoints/hf_cache/关于qwen0.6bemo4-merge从 qwen0.6bemo4-merge/config.json 可以看出这是一个Qwen3 架构的小型因果语言模型Qwen3ForCausalLMhidden_size 1024、28 层、16 注意力头、约 0.6B 量级、bf16 精度经情感数据微调后用于从文本中抽取情感描述qwen0.6bemo4-merge/Modelfile 表明该目录同时可由 Ollama 以|endoftext|为停止符加载。它只在需要“文本→情感”自动抽取时才会被加载见下文限制。七、已知限制与使用约束7.1 官方声明的能力边界README.md长文本韵律不连续长文本会被切分为多个片段片段间以短暂静音拼接因此跨片段边界不会建模完整韵律长段落的情感与语调连贯性有限文本情感依赖额外模型use_emo_textTrue文本描述驱动情感需要 QwenEmotion 模型它仅在构造IndexTTS2时传入use_qwen_emoTrue才会加载否则在推理时会直接报错随机采样损伤克隆保真度开启情感随机采样use_randomTrue会降低语音克隆的相似度需要随机多样性与音色保真之间做取舍音色授权责任模型不会自动校验参考音频中说话人是否同意被克隆获取授权是使用者的责任且一切使用需遵守 LICENSE 条款。7.2 许可条款要点LICENSE仓库采用bilibili Model Use License Agreement使用时需特别关注若你或关联公司的产品或服务月活用户超过 1 亿或年营收超过人民币 10 亿元必须另行向版权方申请单独许可不得使用该模型改进其他 AI 模型IndexTTS 自身、其衍生作品或非商业 AI 模型除外分发衍生作品时必须保留原始版权声明与本协议副本并向下游明确“衍生作品的修改未经原版权方认可”禁止部署于医疗诊断、自动驾驶、军事、关键基础设施控制、大规模生物识别监控等高风险场景。八、引用与延伸阅读如果你在论文或技术报告中使用 IndexTTS-2.5官方推荐引用如下完整版本见 README.mdmisc{li2026indextts25technicalreport, title{IndexTTS 2.5 Technical Report}, author{Yunpei Li and Xun Zhou and Jinchao Wang and Lu Wang and Yong Wu and Siyi Zhou and Yiquan Zhou and Yining Wang and Yaogen Yang and Zhetao Hu and Shiyao Duan and Jiacheng Xu and Bin Xia and Jingchen Shu}, year{2026}, eprint{2601.03888}, archivePrefix{arXiv}, primaryClass{cs.SD}, }深入阅读本仓库内的相关文件可以进一步对照配置与权重的对应关系README.md官方说明与全部示例、config.yaml模型结构配置、LICENSE许可协议全文。总结IndexTTS-2.5 以“一段参考音频 一段文本”即可完成高质量语音克隆同时把情感、发音、语速三个维度都开放为显式可控参数emo_vector让情感与音色解耦word|reading让多音字与外来词发音精确可控duration_factor让语速在 0.5–2.0 范围内自由调节。结合 config.yaml 中 GPT 骨干、flow-matching 解码器、语义 codec 与 BigVGAN 的完整配置链以及约 6 GB 显存即可推理的轻量要求它非常适合作为语音克隆、多语种配音与情感语音合成的生产级起点——只需在使用前确认说话人授权与许可条款即可。赞分享【免费下载链接】IndexTTS-2.5项目地址https://ai.gitcode.com/hf_mirrors/IndexTeam/IndexTTS-2.5点击查看免费下载相关推荐IndexTTS-2.5 实战指南零样本音色克隆、情感控制与多语种语音合成IndexTTS 2.5 实战指南零样本音色克隆、情感控制与多语种语音合成 IndexTTS 是一套面向工业级应用的零样本zero shot文本转语音系统人工智能语音音频大模型IndexTTS-2.5 零样本语音合成实战指南环境搭建、语音克隆、情感与语速控制全解析IndexTTS 2.5 零样本语音合成实战指南环境搭建、语音克隆、情感与语速控制全解析 本篇指南围绕开源仓库 index tts bilibili 出品的人工智能语音音频大模型IndexTTS-2.5 零样本语音合成实战指南环境搭建、多语言音色克隆与情感/发音/语速控制IndexTTS 2.5 零样本语音合成实战指南环境搭建、多语言音色克隆与情感/发音/语速控制 IndexTTS 是 bilibili 团队开源的一套工业级零人工智能语音音频大模型创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考