index-tts/index-tts

📚 什么是 IndexTTS？

IndexTTS 是一个开源的零样本文本到语音（TTS）系统，仅需一个参考音频片段即可克隆语音。最新版本 IndexTTS‑2.5 支持五种语言（中文、英文、日文、西班牙文、阿拉伯文），并允许您控制：

情感 – 通过情感参考音频、显式情感向量，或从文本中自动推断。
语速 – 使用 duration_factor（0.5×‑2.0×）进行调节。
发音 – 在输入文本中直接提供拼音、CMU音标或日文假名。
音色 – 克隆的语音保留原说话人的音色，同时仍可更改语言。

该模型定位为“工业级”解决方案：运行速度足够快，可实现实时使用，支持半精度（BF16/FP16）推理，并可通过 vLLM 配方实现大规模部署。

🚀 快速入门（快速开始）

克隆仓库

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

安装环境 – 项目使用现代 Python 包管理器 uv。
```
pip install -U uv          # 安装 uv 本身
uv sync --all-extras       # 创建 .venv 并安装所有依赖
```
可选：如果网络较慢，可添加中文镜像（--default-index）。
下载模型（例如最新的 IndexTTS‑2.5）通过 Hugging Face CLI：
```
uv tool install huggingface-hub
hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints
```
（您也可以使用 modelscope-hub，命令模式相同。）
运行 Web UI（测试系统的最简单方式）：
```
uv run webui.py          # 默认使用 IndexTTS‑2.5
# 或者，使用旧版 2.0 模型：
uv run webui.py --version 2 --model_dir ./checkpoints_2
```
在浏览器中打开 http://127.0.0.1:7860。UI 允许您上传参考语音、输入文本、选择语言，并调整上述控制参数。

🛠️ 核心功能

功能	工作方式	示例参数 / API 调用
零样本语音克隆	将单个参考 wav 作为 `spk_audio_prompt` 输入模型。	`tts.infer(spk_audio_prompt='voice.wav', text='Hello')`
情感控制	提供情感参考 wav（`emo_audio_prompt`）、8 维情感向量（`emo_vector`），或让模型从文本中推断情感（`use_emo_text`）。	`emo_alpha=0.6`, `emo_vector=[0,0,0.8,0,0,0,0,0]`
语速控制	使用 `duration_factor`（0.5‑2.0）缩放合成时长。	`duration_factor=1.2`（较慢）
发音控制	在输入文本中插入 `<phoneme	X>` 标签。支持中文拼音、英文 CMU 音标、日文假名。
半精度推理	IndexTTS‑2.5 使用 BF16，IndexTTS‑2 使用 FP16，减少显存占用并加快生成速度。	`use_bf16=True`（构造函数）
DeepSpeed / 编译 CUDA 内核	适用于兼容 GPU 的可选加速。	安装时使用 `--extra deepspeed`
生产级部署	提供现成的 vLLM 配方（`recipes.vllm.ai/IndexTeam/IndexTTS-2.5`）。	参见链接中的配方页面

📦 模型库（预训练检查点）

模型	语言	演示	模型下载（HF / ModelScope）
IndexTTS‑2.5	ZH, EN, JA, ES, AR	[演示页面]	`IndexTeam/IndexTTS-2.5`
IndexTTS‑2	ZH, EN	[演示页面]	`IndexTeam/IndexTTS-2`
IndexTTS‑1.5	ZH, EN	[演示页面]	`IndexTeam/IndexTTS-1.5`
IndexTTS‑1	ZH, EN	[演示页面]	`IndexTeam/Index-TTS`

🧑‍💻 使用 Python API（代码片段）

# 初始化（选择您下载的版本）
from indextts.infer_v2_5 import IndexTTS2   # 用于 2.5
tts = IndexTTS2(
    cfg_path='checkpoints/config.yaml',
    model_dir='checkpoints',
    use_bf16=True,          # 半精度
)

# 简单语音克隆
tts.infer(
    spk_audio_prompt='examples/voice_01.wav',
    text='Hello world',
    lang='EN',
    output_path='gen.wav',
    verbose=True,
)

# 情感 + 语速控制
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',
)

相同模式也适用于旧版 IndexTTS2 类（indextts.infer_v2）。

📊 报告性能

作者在 CV3‑Eval 套件（多语言语音质量与跨语言合成）上提供了两个基准测试表。旗舰版 IndexTTS‑2.5‑RL（强化学习变体）亮点如下：

五种语言平均词错误率（WER）≈ 6 %。
平均主观评分（SS）≈ 73 / 100，与更大模型（如拥有 20 亿参数的 VoxCPM2）相当。
模型大小：0.8 B 参数 – 显著小于许多竞争系统。

🛡️ 许可与社区

许可：仓库采用 Apache‑2.0 许可（如仓库中 LICENSE 文件所示）。允许商业使用、修改和再分发。
社区：提供 Discord 服务器用于支持，项目在 README 中保留 Discord 标记。可通过 GitHub 提交问题和拉取请求。

📚 何时使用 IndexTTS？

多语言语音克隆的快速原型开发。
交互式应用（如虚拟助手、游戏角色），需要低延迟 TTS 并具备可控情感与语速。
研究：零样本多语言 TTS、语音克隆或可控语音合成。
生产环境 – vLLM 配方与半精度推理使其具备大规模部署可行性。

🎯 总结

IndexTTS 是一个真实、开源、零样本多语言 TTS 引擎，仅需一个音频片段即可克隆语音，并提供对情感、语速和发音的精细控制。它附带即用的预训练模型、基于 uv 的简易安装方式、Web UI 和 Python API，并可通过 vLLM 部署至生产环境。该项目持续维护（最新版本 2.5 发布于 2026 年 8 月），并采用 Apache‑2.0 许可。