IndexTTS2：哔哩哔哩推出全新大规模自回归语音合成模型

现有的大规模自回归文本转语音（TTS）模型在语音自然度方面表现突出，但由于逐 token 生成机制，难以精确控制语音时长。这在需要严格音画同步的应用（如视频配音）中成为一大限制。

B站最新提出的 IndexTTS2，在保持自回归模型优势的同时，提供了一种全新且通用的 语音时长控制方法。

🔹 两种生成模式

1. 显式控制模式：可直接指定生成 token 数量，从而精确控制语音时长。

原声：

文本：

The equipment needed to do this includes rock saws and polishers.

短时长

中时长

长时长

1. 自由生成模式：无需指定时长，模型仍能保持自然的韵律特征。

情感：

Angry 😠

文本：

你在我们屋子里走路的时候，发现路程遥远，这是不足为怪的。

原声

输出

🔹 情感与音色的解耦

IndexTTS2 实现了 情感表达与说话人音色的解耦：

• 能根据音色提示精确还原目标音色；
• 同时根据风格提示再现特定情感语气；
• 在零样本（zero-shot）场景下同样有效。

🔹 技术亮点

• GPT 潜在表示：在高度情绪化表达中引入 GPT 表征，提升语音清晰度与稳定性。
• 三阶段训练范式：优化生成语音的稳定性。
• 软指令机制：结合 Qwen3 微调，通过文字描述即可引导情感控制，大幅降低使用门槛。

🔹 实验结果

在多个数据集上的实验表明，IndexTTS2 在以下方面均超越现有最先进的零样本 TTS 模型：

• 词错误率（WER）
• 说话人相似度（SS）
• 情感保真度

技术架构

IndexTTS2 在架构和方法上带来了多项突破：

1. 时长自适应方案

• 首次在自回归零样本 TTS 模型中实现了 精准时长控制 与 自然时长生成 的结合。
• 该方案具有良好的可扩展性，可适用于任意大规模自回归 TTS 模型。

• 情感与音色解耦

• 模型将情感特征与音色特征从提示中分离，并通过 特征融合策略 保证在高度情绪化表达下的语义流畅性和发音清晰度。
• 进一步开发了基于自然语言描述的 情感控制工具，用户仅需输入文字即可便捷引导语音的情感方向。

• 数据与训练策略优化

• 针对高表达力语音数据不足的问题，提出了一种高效的三阶段训练策略。
• 显著提升了零样本 TTS 的情感表现力，使其达到当前的 SOTA（State-of-the-Art）水平。

• 开源与生态

• 将公开 代码与预训练权重，以推动未来的研究探索和实际应用落地。

🔹 试听样例

视频翻译配音

🔹 我的测试

HuggingFace 上可以适用： https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo






情感：

Happy 😄

文本：

We will make America strong again. We will make America proud again. We will make America safe again. And we will make America great again.

原声：

输出：