IndexTTS2

IndexTTS2 是哔哩哔哩团队推出的开源自回归语音合成模型，主要针对大规模文本转语音系统里时长不好精确拿捏、情感表达不够自然这两类问题。和很多只追求音色相似的方案不同，它把音色和情感拆成两个可以分别调节的维度，所以在 AI 配音、有声内容制作这类需要情绪跟着内容走的场景里更实用。项目代码和说明放在 GitHub 上，可以直接查看、部署和二次开发。

• 官网入口：https://github.com/index-tts/index-tts

情感控制方式

• 参考音频驱动：给一段带情绪的录音作为参考，模型会顺着这段声音的情感色彩来合成。
• 情感向量调节：用数值化向量控制情绪强弱，适合需要批量、稳定输出的场景。
• 文本描述控制：直接用自然语言说明想要的情绪和语气，不用手写复杂的参数。
• 音色情感解耦：说话人身份和情感互不绑定，同一个声音可以表达不同的情绪状态。

生成模式选择

• 固定时长模式：先指定目标时长再生成语音，方便对齐画面、字幕或已有的视频轨。
• 自由时长模式：不限定长度，让模型按文本自身的节奏输出，适合常规朗读类内容。
• 三阶段训练：训练流程分阶段推进，配合 GPT 潜在表示来提升生成稳定性和情感还原度。
• 指标可对照：在词错误率、说话人相似度、情感保真度等公开评测上有结果可查，便于横向比较。

如果你正在做 AI 配音、语音克隆，或者需要精确控制语速与情绪的语音合成项目，IndexTTS2 值得先跑一遍官方示例，再判断是否接入自己的流程。它的价值不在于堆砌功能，而在于把“说什么”和“怎么说”分开处理，让自回归语音合成在可控性上又往前走了一步。