🏢IndexTeam / IndexTTS-2-Demo
自回归零样本TTS，支持精确时长控制与文本情感指令
运行中 状态观测于 2026-09-17
用途与交互
- 用途
- 音频·语音·音乐
- 输入
- 文本
- 输出
- 音频
- 基于自回归架构，支持两种生成模式：明确指定token数量精准控制时长，或自由生成保留输入韵律
- 零样本语音克隆，可参考任意说话人音频生成语音
- 通过微调Qwen3实现文本描述指令控制情感，可指定情绪类型（如高兴、悲伤）
- 在多个公开基准中词错误率（WER）、说话人相似度（SIM）和情感保真度均优于当时SOTA模型（来源[0][4]）
- 模型组件包含Tortoise-TTS、XTTSv2、BigVGAN、Wenet、Icefall、MaskGCT、Seed-VC
- 英文及跨语言（中↔英）功能虽经论文验证，但英文社区实测较少，细节稳定性和边界场景待确认
- 情感强度过高时可能出现音色折损（用户报告[1]）
- 不支持印地语、乌克兰语等非中英语言
- 当前无官方ONNX导出、训练脚本或精细语音标记（如停顿、重音）控制（社区请求[1]）