/ Модель

Характеристики

Размер весов
1,2 ГБ
Лицензия
Своя лицензия
Библиотека
indextts
Опубликована
10 авг 2026

IndexTTS-2.5

Синтез речиТекст → аудио3 профессии

IndexTTS-2.5 — многоязычная модель синтеза речи, которая озвучивает текст голосом из одного образца и позволяет управлять эмоцией и скоростью.

14 968скачиваний за 30 дней243лайкавеса обновлены12 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

IndexTTS-2.5 — модель синтеза речи с нуля и клонирования голоса, разработанная IndexTeam и Bilibili. Она создаёт речь по тексту, используя один аудиофрагмент как образец голоса; поддерживает перенос голоса между языками и управление эмоцией отдельно от тембра.

Модель построена на авторегрессионной архитектуре: GPT-backbone примерно на 0,8 млрд параметров формирует представление для декодера речи в мел-спектрограмму на основе flow matching, а BigVGAN преобразует его в аудиоволну с частотой 22,05 кГц. Поддерживаются китайский, английский, японский, испанский и арабский языки. По сравнению с IndexTTS-2 добавлены японский, испанский и арабский, ускорен вывод и добавлено управление скоростью речи.

Модель подходит для озвучивания текстов, создания речи заданным голосом и многоязычного переноса голоса. Для инференса требуются Python 3.10–3.11, NVIDIA GPU и около 6 ГБ видеопамяти. Длинные тексты разбиваются на сегменты, поэтому просодия может нарушаться на их границах; управление эмоцией по текстовому описанию требует отдельной модели QwenEmotion, а случайная генерация эмоций снижает точность клонирования. Модель не проверяет согласие говорящего на клонирование. Условия использования регулируются bilibili Model Use License Agreement.

Сценарии применения

  • озвучивание текста на китайском, английском, японском, испанском и арабском
  • клонирование голоса по одному аудиофрагменту
  • перенос голоса между языками
  • создание речи с заданной эмоцией
  • управление скоростью синтезированной речи

Ограничения

Длинные тексты синтезируются сегментами, поэтому просодия может теряться на границах; управление эмоцией по текстовому описанию требует отдельной модели QwenEmotion. Случайная генерация эмоций снижает точность клонирования, а модель не проверяет согласие говорящего на клонирование голоса.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IndexTTS-2.5

IndexTTS-2.5 is a zero-shot text-to-speech model that clones a voice from a single reference audio clip. It supports Chinese, English, Japanese, Spanish and Arabic, with cross-lingual voice transfer and emotion control disentangled from timbre.

Compared with IndexTTS-2, it adds Japanese, Spanish and Arabic, infers faster, adds speaking speed control, and improves controllability of Chinese Pinyin, English CMU phonemes and Japanese Kana.

Model Details

Getting Started

Requires Python 3.10–3.11, an NVIDIA GPU, and roughly 6 GB of VRAM for inference.

Install

git clone https://github.com/index-tts/index-tts.git && cd index-tts
pip install -U uv
uv sync --all-extras

Download the weights

# HuggingFace
uv tool install "huggingface-hub"
hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints

# or ModelScope
uv tool install "modelscope"
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir checkpoints

Auxiliary models (w2v-bert-2.0, MaskGCT semantic codec, CAMPPlus, BigVGAN) are not part of this repository; they are downloaded into checkpoints/hf_cache/ on first run.

Inference

from indextts.infer_v2_5 import IndexTTS2

tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_bf16=True)

# Voice cloning
tts.infer(
    spk_audio_prompt="prompt.wav",
    text="Hello, this is a voice cloning demo.",
    lang="EN",
    output_path="output.wav",
)

# Emotion control with an 8-float vector, in the order
# [happy, angry, sad, afraid, disgusted, melancholic, surprised, calm]
tts.infer(
    spk_audio_prompt="prompt.wav",
    text="快躲起来!是他要来了!",
    lang="ZH",
    output_path="output.wav",
    emo_vector=[0, 0, 0.8, 0, 0, 0, 0, 0],
)

# Pronunciation control: Pinyin, CMU phonemes, or Kana in <word|reading> form
tts.infer(
    spk_audio_prompt="prompt.wav",
    text="他在银<行|XING2>里<行|HANG2>走了半天。",
    lang="ZH",
    output_path="output.wav",
)

# Speaking speed: >1.0 slows down, <1.0 speeds up (valid range 0.5–2.0)
tts.infer(
    spk_audio_prompt="prompt.wav",
    text="大家好,欢迎来到IndexTTS。",
    lang="ZH",
    output_path="output.wav",
    duration_factor=1.2,
)

Web UI

uv run webui.py

Limitations

  • Long text is split into segments and the pieces are concatenated with a short silence, so prosody is not modelled across a segment boundary.
  • Emotion control from a text description needs the QwenEmotion model, which is loaded only when IndexTTS2 is constructed with use_qwen_emo=True. Passing use_emo_text=True without it raises at inference time.
  • Enabling random sampling for emotion (use_random=True) reduces voice cloning fidelity.
  • The model does not verify that the speaker in a reference clip consented to being cloned. Obtaining that consent is the user's responsibility, and all use is subject to the license terms.

Citation

@misc{li2026indextts25technicalreport,
      title={IndexTTS 2.5 Technical Report},
      author={Yunpei Li and Xun Zhou and Jinchao Wang and Lu Wang and Yong Wu and Siyi Zhou and Yiquan Zhou and Yining Wang and Yaogen Yang and Zhetao Hu and Shiyao Duan and Jiacheng Xu and Bin Xia and Jingchen Shu},
      year={2026},
      eprint={2601.03888},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2601.03888},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · indextts

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
c39ce5b

0 моделей