IndexTTS：诞生于中国最大动漫与游戏视频平台的声音模型
B 站是中国承载了数百万小时动漫、游戏和创作者内容的视频平台，自然有非常现实的理由重视文本转语音：满足平台规模的译制配音、数字人和旁白需求。IndexTTS 正是这项内部需求走向公开的成果。它由 B 站 AI 平台部开发并以开源形式发布，是一个零样本声音克隆模型，专门针对通用多语言 TTS 系统往往难以处理的问题而设计——准确读出包含大量多音字和长尾词汇的中文文本。
什么是 IndexTTS？
IndexTTS 是由 B 站 Index 团队开发的 GPT 风格自回归文本转语音模型，主要基于 XTTS 和 Tortoise 架构，并在其上加入了一系列有针对性的改进。它支持中英文零样本声音克隆——根据参考片段复现说话人的声音——并使用超过一万小时的语音数据进行训练。
IndexTTS 与其所基于的 XTTS 和 Tortoise 的区别，并不在于某一项最醒目的功能，而在于一系列经过深思熟虑的工程选择；每一项都针对早期开源 TTS 的某个具体弱点：中文发音准确性、可控的时间节奏和克隆稳定性。
IndexTTS 背后的工程设计
汉字-拼音混合建模。 这是 IndexTTS 最具代表性的贡献。中文文本合成一直存在一个问题：完全基于汉字序列训练的模型，经常会读错多音字（同一个字会根据上下文采用不同读音）和长尾词汇。IndexTTS 在训练中直接混合汉字和拼音来解决这个问题——预处理期间，一部分非多音字会被随机替换成对应拼音，让模型学会将拼音作为消歧信号；在推理时，模型也能接收拼音来强制指定某个读音。
基于标点的停顿控制。 IndexTTS 会把标点符号作为时间信号读取，只需改变输入文本中的标点方式，就能控制生成语音的停顿位置，无需单独的时间标记。
重新构建的条件编码与解码流程。 IndexTTS 引入基于 Conformer 的语音条件编码器，以改善模型从参考片段中捕捉说话人特征的方式；同时用 BigVGAN2 替换原有的语音编码解码器。团队认为，这项改动提升了训练稳定性、音色相似度和整体音频质量。
语音 tokenizer 使用 FSQ 而非 VQ。 团队直接比较了用于编码声学语音 token 的标准向量量化（Vector Quantization）与有限标量量化（Finite-Scalar Quantization），以解决可能降低 VQ 系统表现的码本坍塌问题——这一技术选择后来也影响了 CosyVoice2 的 tokenizer 设计。
基准测试表现
在团队公布的评测中，测试指标包括中英文测试集上的单词错误率、说话人相似度和平均意见得分。IndexTTS 与 XTTS、CosyVoice2（非流式）、Fish-Speech、FireRedTTS 和 F5-TTS 进行了直接比较。报告结果显示，IndexTTS 的单词错误率优于所有这些模型；在说话人相似度方面，它与 CosyVoice2 和 F5-TTS 保持竞争力，而作者认为这两个模型是声音克隆保真度方面最接近的对手。
也需要如实指出：原始 IndexTTS 论文直接承认了自身限制——发布时，模型不支持指令式声音生成，只覆盖中文和英语，丰富情感表达能力也有限。团队于 2025 年 5 月发布的 IndexTTS-1.5 更新，专门针对初始 1.0 版本改进了稳定性和英语表现。
IndexTTS 入门
- 配置 Python 3.10 环境。 创建独立的 conda 环境，并通过系统包管理器或
conda install -c conda-forge ffmpeg安装ffmpeg。 - 如有需要，单独处理 Windows 上的
pynini依赖。 如果在 Windows 上运行pip install时无法为pynini构建 wheel，请先执行conda install -c conda-forge pynini==2.1.6，再执行pip install WeTextProcessing --no-deps——这是项目直接记录的一种已知解决方法。 - 下载模型权重。 使用
huggingface-cli download拉取IndexTeam/IndexTTS（1.0）或IndexTeam/IndexTTS-1.5，具体取决于你需要的版本；鉴于稳定性有所改进，1.5 checkpoint 是大多数新项目更合适的默认选择。 - 通过 CLI 或 Python 运行推理。
indextts命令行工具可以直接接收文本和参考声音文件；如果需要在更大的流程中进行更多控制，也可以从 Python 调用IndexTTS类。 - 集成前使用 WebUI 测试。 先执行
pip install -e ".[webui]" --no-build-isolation，再运行python webui.py，即可在localhost:7860打开浏览器界面，无需编写代码便能测试克隆和发音控制。
获得更好结果的技巧
- 有意识地用拼音覆盖多音字读音。 当一个字会根据上下文产生多个有效读音时，直接提供正确拼音，比期待模型根据前后文推断出正确读音更可靠。
- 用标点设置你真正想要的停顿。 IndexTTS 会把标点作为时间信息读取，因此应将逗号和句号的位置视为节奏控制工具，而不只是语法正确性问题——与多数模型提供的方法相比，这是一种成本更低的节奏控制方式。
- 除非有明确理由，否则默认使用 IndexTTS-1.5。 1.5 版本就是为了解决原始 1.0 版本的稳定性问题并改进英语输出而发布的——新项目几乎没有理由从更早的 checkpoint 开始。
- 对情感范围保持现实预期。 模型自己的文档承认，相比更近发布、专注情感的模型，它的情感表现力有限——如果戏剧化表达是项目核心，这一代 IndexTTS 并未针对该需求优化。
- 商用部署前检查模型许可证。 IndexTTS 的代码采用 Apache 2.0 许可证发布，但预训练模型权重使用单独的 Bilibili 模型许可证，商业使用需要事先获得书面授权——将它用于商业产品之前，请确认你的使用场景已获得许可。
IndexTTS 与最接近的同类模型对比
| IndexTTS | XTTS | CosyVoice2 | F5-TTS | |
|---|---|---|---|---|
| 架构基础 | XTTS + Tortoise，GPT 风格 | 基准 | 受监督语义 token | 流匹配 |
| 中文发音控制 | 汉字-拼音混合建模 | 并非重点 | 没有专用功能 | 没有专用功能 |
| 停顿控制 | 通过标点 | 有限 | 通过指令 | 有限 |
| 单词错误率（已发布评测） | 对比模型中最佳 | 基准 | 紧随其后 | 紧随其后 |
| 说话人相似度 | 与顶尖模型保持竞争力 | 较低 | 相当 | 相当 |
| 商业使用 | 权重需要授权 | 因版本而异 | Apache 2.0 | 因版本而异 |
与最接近的竞品相比，IndexTTS 的具体优势在于中文发音准确性和推理简洁性——团队认为它的训练过程相对直接，用法也比多个开源同类模型更可控；对于构建生产流程而非研究演示的团队来说，这是一个具有实际意义的优势。
常见问题
IndexTTS 由谁开发？
IndexTTS 由 B 站（Bilibili）AI 平台部开发。B 站是中国主要的动漫、游戏和创作者视频平台；该模型已在 GitHub 和 Hugging Face 上开源发布。
IndexTTS-1.0 与 IndexTTS-1.5 有什么区别？
IndexTTS-1.5 发布于 2025 年 5 月，是一次重点改进模型稳定性和英语合成质量的更新；相比原始 1.0 版本，大多数新项目都应默认选择 1.5。
IndexTTS 如何处理中文发音问题？
它采用汉字-拼音混合建模——模型使用中文汉字及其拼音混合训练，因此你可以直接提供正确拼音，修正读错的多音字或生僻字。
IndexTTS 可以免费商用吗？
代码采用 Apache 2.0 许可证发布，但预训练模型权重使用单独的 Bilibili 许可证，商业使用需要事先获得书面授权——商用部署前请检查当前许可证条款。
IndexTTS 与 CosyVoice2 和 F5-TTS 相比如何？
在团队公布的基准测试中，IndexTTS 的单词错误率低于这两个模型，同时在说话人相似度方面仍与它们保持竞争力；这一指标衡量克隆结果与参考声音的接近程度。
在浏览器中把文字转换为语音
如果你希望完成相近的“文字 → 单人语音”流程，可以使用 Echora 的文字转语音。输入最多 5,000 个字符，选择内置音色或已保存的自定义音色，按需添加支持的表达标签并调整语音稳定度，然后试听结果并下载生成的 MP3。