index-tts/index-tts

📚 IndexTTSとは？

IndexTTS は、たった1つの参照音声クリップから声をクローンできる、オープンソースのゼロショット音声合成（TTS）システムです。最新バージョンの IndexTTS‑2.5 は、5言語（中国語、英語、日本語、スペイン語、アラビア語）に対応しており、以下を制御できます：

感情 – 感情参照音声、明示的な感情ベクトル、またはテキストからの自動推定によって制御。
話す速さ – duration_factor（0.5倍〜2.0倍）で制御。
発音 – 入力テキストにピンイン、CMU音素、または日本語のカナを直接指定して制御。
声の音色 – クローンされた声は話者の音色を保持しつつ、言語を変更可能。

このモデルは「産業レベル」のソリューションとして位置付けられており、リアルタイム利用に十分な速度で動作し、半精度（BF16/FP16）推論に対応し、vLLM レシピで大規模にサービス提供できます。

🚀 はじめに（クイックスタート）

リポジトリをクローン

git clone https://github.com/index-tts/index-tts.git && cd index-tts

環境をインストール – このプロジェクトは最新のPythonパッケージマネージャー uv を使用しています。
```
pip install -U uv          # uv自体をインストール
uv sync --all-extras       # .venvを作成し、すべての依存関係をインストール
```
オプション: 接続が遅い場合は、中国のミラー（--default-index）を追加します。
モデルをダウンロード（例：最新のIndexTTS‑2.5）Hugging Face CLI経由で：
```
uv tool install huggingface-hub
hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints
```
（同じコマンドパターンで modelscope-hub も使用できます。）
Web UIを実行（システムをテストする最も簡単な方法）：
```
uv run webui.py          # デフォルトはIndexTTS‑2.5
# または、古い2.0モデルの場合：
uv run webui.py --version 2 --model_dir ./checkpoints_2
```
ブラウザで http://127.0.0.1:7860 を開きます。UIでは、参照音声のアップロード、テキストの入力、言語の選択、上記のコントロールの調整が可能です。

🛠️ コア機能

機能	仕組み	フラグ / API呼び出しの例
ゼロショット音声クローン	単一の参照wavが `spk_audio_prompt` としてモデルに供給されます。	`tts.infer(spk_audio_prompt='voice.wav', text='Hello')`
感情制御	感情参照wav（`emo_audio_prompt`）、8次元の感情ベクトル（`emo_vector`）、またはテキストからの感情推定（`use_emo_text`）を提供します。	`emo_alpha=0.6`, `emo_vector=[0,0,0.8,0,0,0,0,0]`
速度制御	`duration_factor`（0.5〜2.0）で合成時間をスケーリングします。	`duration_factor=1.2`（遅く）
発音制御	入力テキストに `<phoneme	X>` タグを挿入します。中国語のピンイン、英語のCMU音素、日本語のカナに対応。
半精度推論	IndexTTS‑2.5ではBF16、IndexTTS‑2ではFP16 – VRAMを削減し、生成を高速化します。	`use_bf16=True`（コンストラクタ）
DeepSpeed / コンパイル済みCUDAカーネル	対応GPU向けのオプションの高速化。	インストール時に `--extra deepspeed`
本番環境でのサービス提供	既製のvLLMレシピ（`recipes.vllm.ai/IndexTeam/IndexTTS-2.5`）。	リンクされたレシピページを参照

📦 モデル Zoo（事前学習済みチェックポイント）

モデル	言語	デモ	モデルダウンロード（HF / ModelScope）
IndexTTS‑2.5	中国語、英語、日本語、スペイン語、アラビア語	[デモページ]	`IndexTeam/IndexTTS-2.5`
IndexTTS‑2	中国語、英語	[デモページ]	`IndexTeam/IndexTTS-2`
IndexTTS‑1.5	中国語、英語	[デモページ]	`IndexTeam/IndexTTS-1.5`
IndexTTS‑1	中国語、英語	[デモページ]	`IndexTeam/Index-TTS`

🧑‍💻 Python APIの使用（コードスニペット）

# 初期化（ダウンロードしたバージョンを選択）
from indextts.infer_v2_5 import IndexTTS2   # 2.5用
tts = IndexTTS2(
    cfg_path='checkpoints/config.yaml',
    model_dir='checkpoints',
    use_bf16=True,          # 半精度
)

# シンプルな音声クローン
tts.infer(
    spk_audio_prompt='examples/voice_01.wav',
    text='Hello world',
    lang='EN',
    output_path='gen.wav',
    verbose=True,
)

# 感情＋速度制御
tts.infer(
    spk_audio_prompt='examples/voice_07.wav',
    text='这是一段情绪化的中文',
    lang='ZH',
    emo_audio_prompt='examples/emo_sad.wav',
    emo_alpha=0.8,
    duration_factor=0.9,
    output_path='emo.wav',
)

同じパターンが古い IndexTTS2 クラス（indextts.infer_v2）でも機能します。

📊 報告されているパフォーマンス

著者らは、CV3‑Eval スイート（多言語音声品質と言語横断合成）に関する2つのベンチマークテーブルを提供しています。主力の IndexTTS‑2.5‑RL（強化学習バリアント）のハイライト：

5言語全体での平均語誤り率（WER）≈ 6 %。
平均主観スコア（SS）≈ 73 / 100。これはより大きなモデル（例：2 BパラメータのVoxCPM2）に匹敵します。
モデルサイズ：0.8 Bパラメータ – 多くの競合システムよりもかなり小さい。

🛡️ ライセンスとコミュニティ

ライセンス: リポジトリは Apache‑2.0 ライセンス（リポジトリの LICENSE ファイルに記載の通り）で公開されています。商用利用、変更、再配布が許可されています。
コミュニティ: サポート用のDiscordサーバーがリンクされており、プロジェクトはREADMEにDiscordバッジを維持しています。問題やプルリクエストはGitHub経由で受け付けています。

📚 IndexTTSをいつ使うべきか？

複数言語での音声クローン合成の迅速なプロトタイピング。
低遅延のTTSと制御可能な感情・速度が必要なインタラクティブアプリケーション（例：仮想アシスタント、ゲームキャラクター）。
ゼロショット多言語TTS、音声クローン、または制御可能な音声合成に関する研究。
本番環境 – vLLMレシピと半精度推論により、大規模なサービス提供が可能です。

🎯 TL;DR

IndexTTS は、単一の音声クリップから声をクローンし、感情、速度、発音を細かく制御できる、本格的なオープンソースのゼロショット多言語TTSエンジンです。すぐに使える事前学習済みモデル、シンプルな uv ベースのインストール、Web UI、Python APIが同梱されており、vLLM経由で本番環境にデプロイできます。このプロジェクトは積極的にメンテナンスされており（2026年8月に最新リリース2.5）、Apache‑2.0ライセンスで提供されています。