index-tts

An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System

AI 简介

IndexTTS2 是一个面向工业场景的零样本可控文本转语音系统，支持精确语音时长控制与情感-音色解耦建模。其核心功能包括：通过显式指定生成token数实现毫秒级语音时长调控，兼顾自回归自然生成模式；在零样本条件下，仅需极短参考音频（timbre prompt）和风格提示（style prompt），即可独立控制说话人音色与情感表达；采用三阶段训练范式与GPT隐表示增强，提升高情绪强度下的语音清晰度。适用于视频配音、虚拟人实时语音合成、多语种内容本地化等对时序同步性与表现力要求严苛的场景。