IndexTTS

Item: IndexTTS
Rating: 8
Author: Mnet

★★★★ ★

8.0 / 10 🟡 中级

哔哩哔哩团队的零样本语音合成系统：一段参考音频克隆音色，支持中英日西阿五语种，情绪、语速与拼音级发音可调；需自备 NVIDIA GPU 本地运行。

TTS 语音克隆多语言本地部署

🌐 访问官网

📅 收录: 2026-10-23 🔄 更新: 2026-10-23

IndexTTS 快速入门：用一段参考音频跑通第一次语音克隆

这是什么？适合谁？

IndexTTS 是哔哩哔哩（bilibili）IndexTeam 开源的零样本语音合成（TTS）系统。给它一段几秒到几十秒的参考音频，它就能用这个音色读你给的文本；不需要先训练、也不需要准备成对的标注数据。

当前版本是 IndexTTS-2.5（官方 News 记录发布日期 2026/08/10）。相比 IndexTTS-2，2.5 增加了日语、西班牙语、阿拉伯语，推理更快，并加入语速控制，同时改进了中文拼音、英文 CMU 音素与日语假名的可控性。更早的 IndexTTS-1.5 与 IndexTTS-1.0 仍在仓库里可查，但已经不是最新版本，本文不把它们当作当前能力描述。

它属于「自己部署、自己出算力」的开源项目，不是按字符计费的云端配音服务。适合做有声内容、短视频配音、多语种旁白、以及需要把音色留在本地的团队。不适合没有 NVIDIA GPU、也不打算租用 GPU 的用户，也不适合期望上传文本就得到成品的零配置场景。

核验日期 2026-10-23，依据官方仓库 README、模型卡与当前 LICENSE。

准备工作

一块 NVIDIA GPU。模型卡写明推理大约需要 6 GB 显存，并要求 Python 3.10–3.11。
已安装 uv。官方明确要求用 uv 管理依赖，它会在项目里自动创建 .venv 并装好对应 Python 版本。
能访问 HuggingFace 或 ModelScope 的网络。首次启动 WebUI 时示例音频是按需下载的，因此 Git LFS 不再是必需项。
磁盘空间用于放模型权重。具体体积以 hf download 的实际输出为准，本文不估算。
如果安装时报 CUDA 相关错误，官方要求系统装有 CUDA Toolkit 12.8 或更新。

许可证要单独说清楚：仓库与模型权重都以 bilibili Model Use License Agreement 发布，不是 MIT、Apache-2.0 这类标准开源许可。README 写明商业使用与合作需联系 indexspeech@bilibili.com。所以「代码公开可下载」不等于「无条件商用」。

本文没有安装、下载权重或合成过音频，操作步骤来自官方 README 与模型卡。

三步快速上手

第一步：克隆仓库并安装依赖

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

官方完整命令是 uv sync --all-extras，它会把 WebUI、DeepSpeed 等全部特性一起装上。README 同时提示：Windows 上 DeepSpeed 可能很难安装，可以去掉 --all-extras，改成按需加 --extra webui。上面这条就是官方给出的规避写法。

国内网络慢时，官方给了镜像写法：

uv sync --extra webui --default-index "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"

安装期间不要手动 activate 任何虚拟环境。README 明确写了：所有 uv 命令会自动激活项目环境，手动激活反而会造成依赖冲突。

第二步：下载 2.5 的权重到 checkpoints

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

或者用 ModelScope：

uv tool install modelscope-hub
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir checkpoints

目录名要留意：官方示例把 2.5 放在 checkpoints，把 IndexTTS-2 放在 checkpoints_2。后面所有命令里的 --model_dir 与 --cfg_path 必须指向同一套权重。

如果 hf / modelscope 命令找不到，按 uv tool 的输出提示把工具加进 PATH。HuggingFace 慢的话，官方建议先设镜像：

export HF_ENDPOINT="https://hf-mirror.com"

第三步：检查 GPU 并启动 WebUI

uv run tools/gpu_check.py
uv run webui.py

gpu_check.py 是仓库自带的诊断脚本，会打印检测到的 GPU。确认有可用显卡后启动 WebUI，浏览器打开 http://127.0.0.1:7860。

WebUI 里能调 BF16（2.5 用）或 FP16（2 用）降低显存占用，也能开 DeepSpeed 与编译内核加速。完整参数看 uv run webui.py -h。要跑 IndexTTS-2，用的是 uv run webui.py --version 2 --model_dir ./checkpoints_2。

第一个任务与成功判定

在 WebUI 里做一次最小克隆：

上传一段 5–15 秒、干净无背景音乐的参考音频，作为说话人音色。
文本填一句 10–20 字的中文，语言选 ZH。
先不要碰情绪参考音频与高级参数，直接生成。

判定成功的四条：

生成进度正常结束，页面上能播放出音频。
播放的音频用的确实是参考音频的音色，而不是默认音色。
文本内容与输入一致，没有明显吞字或重复整句。
输出音频能在本地播放器打开（说明文件写盘完整）。

四条都满足，最短链路就通了。之后再逐个加参数（情绪、语速），每次只改一个，出问题时才能判断是哪个参数导致。

初级用法

音色克隆：只给参考音频

最小调用就是三个参数：参考音频、文本、输出路径。批量做旁白时，把同一段参考音频复用给多条文本，音色才稳定；每换一段参考音频，音色就会变。

用 `lang` 指定语种

2.5 的推理接口多了 lang 参数，示例里是 ZH、EN 这类语言标记。多语种内容要把语种传对，否则文本可能按错误语言的前端规则处理。

用情绪参考音频控制表达

除说话人音频外再给一段情绪参考音频 emo_audio_prompt，输出会带上这段参考的情绪。emo_alpha 是强度系数，取值 0.0–1.0，默认 1.0（即 100%）。要接近自然朗读就把强度调低，通常在 0.6–0.9 之间试。

高级玩法

用 8 维情绪向量精确控情绪

不想提供第二段音频时，直接给一个 8 个浮点数的列表，顺序固定为 [happy, angry, sad, afraid, disgusted, melancholic, surprised, calm]。例如只强调「悲伤」就把它对应的位置给 0.8，其余为 0。默认不开启 use_random；开启会引入随机性，但 README 与模型卡都提示这会降低音色克隆的保真度。

从文本自动推断情绪（`use_emo_text`）

开 use_emo_text=True 会让模型自己从台词推断情绪向量，官方建议配合 emo_alpha 0.6 或更低，听起来更自然。2.5 有个额外前提：构造 IndexTTS2 时必须传 use_qwen_emo=True，否则推理时会抛 RuntimeError；IndexTTS-2 不需要这个开关。

发音与语速微调

2.5 支持用 <字|拼音或音素> 的写法纠正多音字。正确做法是让标注与真实读音一致，例如 他在银<行|HANG2>里走了半天，发现这笔业务办不<行|XING2>。——银行读 háng、不行读 xíng，标注反了会把音读错。英文用 CMU 音素，日文用假名，写法相同。语速用 duration_factor 控制，取值 0.5–2.0，大于 1.0 变慢、小于 1.0 变快，默认 1.0。

用 vLLM 做生产部署

官方在 vLLM 的 recipes 站点提供了 IndexTTS-2.5 的部署配方。适合要点是：用 vLLM 承担并发与批处理，而不是把 WebUI 直接对外。对外服务还要自己加鉴权与限流，项目本身不提供账号体系。

小技巧

先跑 uv run tools/gpu_check.py 再下载权重，能省掉「下完才发现没显卡」的时间。
Windows 上直接 --extra webui，不要为了「和 Linux 一样」硬装 DeepSpeed。
参考音频先剪成 5–15 秒单人说、无背景乐的片段，比整段播客直接喂进去稳。
想听语速效果就先固定文本，只改 duration_factor，一次改 0.1 级差。
情绪强度从 0.6 起调，往上加容易过；过的时候台词会变成「演」而不是「说」。
权重目录不要放进 git 跟踪范围，几 GB 的文件误提交会拖垮仓库。
先用 2.5 默认路径跑通，再考虑切 --version 2；两套权重与 cfg 不能混用。

常见踩坑

踩坑 1：uv sync --all-extras 在 Windows 上卡死或编译报错

症状：安装停在 DeepSpeed 的构建步骤，长时间无进展或直接报编译错误。
原因：--all-extras 包含 DeepSpeed，官方明说它在 Windows 上可能很难安装。
处理：改用 uv sync --extra webui，需要别的特性再逐个 --extra <名字> 补，不要继续等编译。

踩坑 2：安装时报 CUDA 相关错误

症状：依赖安装阶段报 CUDA 版本或头文件相关错误。
原因：系统 CUDA Toolkit 版本低于官方要求的 12.8。
处理：升级 CUDA Toolkit 到 12.8 或更新后重跑安装；显卡驱动与 CUDA Toolkit 是两件事，别只更新驱动。

踩坑 3：ImportError 或依赖版本冲突，明明刚装完

症状：uv run 时报某个包不存在或版本冲突，但 uv sync 显示安装成功。
原因：装之前手动 activate 过别的虚拟环境，README 明确要求不要手动激活。
处理：退出已激活的环境，直接重新 uv sync，让 uv 自己管项目环境。

踩坑 4：开 use_emo_text=True 直接抛 RuntimeError

症状：推理一开始就抛 RuntimeError，换成 emo_vector 或情绪参考音频则正常。
原因：2.5 需要构造时传 use_qwen_emo=True，QwenEmotion 模型才会被加载。
处理：在 IndexTTS2(...) 里加 use_qwen_emo=True；或退回不依赖它的两条情绪控制路径。

踩坑 5：启动 WebUI 读不到模型，或报 config 路径不存在

症状：WebUI 启动失败，提示找不到 config.yaml 或权重目录为空。
原因：--model_dir 指向的目录与 --cfg_path 不是同一套权重，例如把 2.5 的 cfg 配上了 checkpoints_2。
处理：确认两者同源——2.5 用 checkpoints，2 用 checkpoints_2。

踩坑 6：显存不够，跑到一半崩

症状：短句正常，长文本或多条连续合成时进程被终止。
原因：默认精度占显存更多，长文本分段后同时驻留的中间结果也更多。
处理：2.5 开 BF16、2 开 FP16；缩短单次文本长度；关掉不必要的加速选项后对比。显存是硬边界，降精度只能缓解。

踩坑 7：模型下载超时或速度极慢

症状：hf download 长时间无进度或中途失败。
原因：直连 HuggingFace 网络不稳。
处理：设 HF_ENDPOINT 镜像，或改用 ModelScope 的下载命令；两条路径各自独立，不要混着写进同一个目录。

常见问题 FAQ

Q1: 能把 IndexTTS 用在商业项目里吗？

A: 要按 bilibili Model Use License Agreement 判断，这份许可不是标准开源许可证。README 明确商业使用与合作需联系 indexspeech@bilibili.com。本文不代替法律意见，商用前请自行阅读完整许可并取得授权。

Q2: 没有独立显卡能跑吗？

A: 模型卡把 NVIDIA GPU 与约 6 GB 显存列为推理前提。本文没有在 CPU 环境验证过，也不建议按 CPU 方案规划生产。

Q3: 2.5 和 2 的差别是什么？

A: 2.5 增加日语、西班牙语、阿拉伯语，推理更快，加入语速控制，并改进中文拼音、英文 CMU 音素与日语假名的可控性。2 的权重与目录布局不同，命令里的 --model_dir 要相应切换。

Q4: 支持哪些语种？

A: README 与模型卡都写明中文、英语、日语、西班牙语、阿拉伯语五种，并支持跨语种音色迁移（用中文参考音频读其他语言）。

Q5: 合成质量有客观数据吗？

A: 官方 README 给出 CV3-Eval 上的自报对比表，IndexTTS2.5（0.8B）平均 WER 6.75、SS 73.18，IndexTTS2.5-RL 为 6.00 / 73.63；推理速度表给出 RTX 4090、kv_cache=True 下 overall RTF 约 0.2065（2.5 bf16）。这些是项目方自报数据，本文未复现，不能当作独立评测。

Q6: 克隆别人的声音需要授权吗？

A: 需要。模型卡明确说明模型不会校验参考音频中说话人是否同意被克隆，取得同意是使用者的责任，且所有使用都受许可条款约束。

Q7: 官方有在线试用或 API 吗？

A: README 提供 Demo 页、ModelScope Studio 与 HuggingFace Space 入口，以及 vLLM 部署配方；项目本身不提供带账号体系的托管 API 服务。

成本、权限与平台限制

算力：必须自备 NVIDIA GPU，模型卡给出约 6 GB 显存用于推理；租用 GPU 的成本按云厂商实际计费。
许可：代码与权重都遵循 bilibili Model Use License Agreement，商用需联系官方；不是「下载即商用」。
平台：官方要求用 uv 管环境；模型卡写 Python 3.10–3.11；Windows 建议跳过 DeepSpeed；CUDA Toolkit 需 12.8+。
合规：不得生成违法、歧视或侵犯隐私的内容；参考音频的授权责任在使用者一方。README 还提醒只有官方 GitHub 仓库是官方渠道，其他站点不作保证。
服务边界：项目自身没有鉴权、限流、审计能力，对外提供服务必须自行补齐。

免责声明

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。本文没有克隆仓库、没有下载模型权重、没有合成任何音频，也未在 Windows 或 Linux 的 GPU 环境验证安装流程。文中涉及的显存、语种、参数范围、评测数字均直接来自官方 README 与模型卡，属项目方公开声明，不代表本站实测结论；许可证与商用条款请以官方 LICENSE 原文为准。

继续实践

跑通 WebUI 后，建议按下面的顺序加固，每一步都能单独验证：

indextts/infer_v2_5.py：把 Python API 路径跑通，脱离 WebUI 做批处理。
emo_vector 与 emo_audio_prompt 两条情绪路径：同一条文本分别生成，对比听感。
duration_factor：给同一段旁白做 0.9 / 1.0 / 1.2 三档，确认语速与时长是否符合剪辑需求。
<字|拼音> 标注：挑一段多音字密集的中文稿，验证纠音是否生效。
vLLM 配方：把单机脚本换成服务化，先只在本机回环地址测试，再补鉴权与限流。
许可复核：在正式商用前逐条读完 LICENSE，并与官方确认授权范围。

每一步都保留输入文本、参考音频与参数记录，便于复现同一结果。

参考链接

📊 评分与标签

核验口径：已按现行口径通过，待按新证据契约复核

评分说明

总分 8.0/10 · P_优选

核验日期：2026-10-23。评价对象是 bilibili IndexTeam 开源的零样本语音合成系统（当前版本 IndexTTS-2.5），按公开能力、自报评测、部署门槛、许可与成本、维护信号和合规边界打分。本文没有显卡、未下载权重、未合成音频，因此不把项目方数字当作本站实测结论。评分依据可追溯至下方公开来源。

📊 可观测社区指标（采集日期：2026-10-23）

GitHub 仓库 API：24,651 stars、2,908 forks；未归档；默认分支 main；仓库 language 为 Python。
API 的 pushed_at 为 2026-09-29T16:06:53Z，距今约三周，仍属有维护状态，但不构成支持承诺。
API 的 license 字段为 NOASSERTION（“Other”），与仓库 LICENSE 文件一致：使用的是 bilibili Model Use License Agreement，不是 SPDX 标准开源许可。
关注量不等于下载量、合成调用量或商用授权数量。

⚙️ 功能完整度 2.1/2.5

README 描述的核心能力：用单段参考音频做零样本音色克隆；IndexTTS-2.5 支持中文、英语、日语、西班牙语、阿拉伯语，并保持跨语种音色迁移与音色—情绪解耦。来源：官方 README、模型卡。
控制维度较全：情绪可由情绪参考音频（emo_audio_prompt）、8 维情绪向量（emo_vector）或文本（use_emo_text / emo_text）驱动；emo_alpha 调强度；duration_factor 控语速（0.5–2.0）；发音可用拼音 / CMU 音素 / 假名标注纠正多音字。
交付形态齐全：本地 WebUI、Python API、随仓库的 GPU 诊断脚本，以及官方 vLLM 部署配方。
扣分理由：没有官方托管 API 与账号体系，多角色长文本的对白切分、字幕对齐、批量任务队列都要自己搭；README 未提供 SSML 或时间轴级别的细粒度控制。
竞品对比 1（CosyVoice）：CosyVoice 同样以零样本克隆与多语种为目标，能力集合重叠明显；两者具体控制项以各自文档为准，此处只作定位对比。
竞品对比 2（Fish-Speech）：Fish-Speech 主打多语种 TTS 与开放权重；IndexTTS 的差异是提供情绪向量与拼音级发音控制这类显式参数。定位差异，不作优劣结论。

✨ 输出质量 2.0/2.5

官方 README 自报 CV3-Eval 结果：IndexTTS2.5（0.8B）平均 WER 6.75、SS 73.18；IndexTTS2.5-RL 为 6.00 / 73.63。跨语种（中文 prompt）平均 WER 6.22、SS 68.62（2.5），RL 版 6.17 / 70.20。来源：官方 README 评测表。
推理速度同样为自报：RTX 4090、kv_cache=True 条件下 overall RTF 为 2.5 bf16 约 0.2065、2.5 fp32 约 0.2060、2.0 fp16 约 0.3257。
模型卡写明输出为 22.05 kHz 波形，骨干约 0.8B 参数，架构为 GPT 主干 + flow-matching 语音到 mel 解码器 + BigVGAN 声码器。
扣分理由：以上全部来自项目方自报，测试集为 CV3-Eval（阿拉伯语部分使用其内部测试集），本文未复现；主观听感、长文本跨句韵律与噪声鲁棒性均无可核对数据。模型卡也自述长文本分段拼接处不建模跨段韵律。
竞品对比 1（CosyVoice 3 系列）：README 的对比表把 CosyVoice3-0.5B / 1.5B 列为同期参照并给出各自 WER/SS；该表由项目方整理，不能视为中立第三方评测。
竞品对比 2（ElevenLabs）：ElevenLabs 是商业托管服务，质量结论依赖其自有与第三方测评；与本地开源权重的可比性受语种、采样与测试集影响，本文不做跨类排名。

🖐️ 易用性 1.1/1.5

安装路径集中：git clone → pip install -U uv → uv sync 一条命令建环境；官方明确要求用 uv 管理环境，并说明所有 uv 命令会自动激活项目环境、不要手动 activate。来源：README 安装段。
权重下载有 HuggingFace 与 ModelScope 两条命令，国内还给了 PyPI 与 HF 镜像写法；WebUI 启动后浏览器打开 127.0.0.1:7860 即可试听。
扣分理由：门槛集中在环境侧——必须 NVIDIA GPU（模型卡给出约 6 GB 显存与 Python 3.10–3.11）、CUDA Toolkit 需 12.8+、Windows 上 DeepSpeed 可能装不上需绕开、权重是数 GB 级下载，且 checkpoints 与 checkpoints_2 两套目录容易配错。
竞品对比 1（GPT-SoVITS）：GPT-SoVITS 以「少量数据微调 + 整合包」降低上手门槛，IndexTTS 走零样本路线、省去训练但要求 GPU 直接推理。两条路径的易用性代价不同。
竞品对比 2（ElevenLabs）：托管服务省掉全部环境工作但按量计费并需上传音频；本地部署保留数据但把运维压给使用者。属交付形态差异，不作省时结论。

💰 性价比 1.3/1.5

权重与代码可免费下载、可离线推理，没有按字符计费的门槛；对中长内容批量合成，成本主要落在自有或租用的 GPU 上。来源：模型卡、ModelScope 模型页。
README 建议国内用户使用镜像加速依赖安装，侧面说明主要成本项是网络与算力，而不是软件授权费。
扣分理由：免费下载不等于可无条件商用——许可证是 bilibili Model Use License Agreement，README 写明商业使用与合作需联系 indexspeech@bilibili.com；这部分授权成本与周期不公开，无法量化。
竞品对比 1（Fish-Speech）：两者都提供可自托管的开放权重，许可条款与商用条件需分别阅读，不做「谁更便宜」的推定。
竞品对比 2（ElevenLabs）：托管服务按订阅或用量计费、无自有算力投入；IndexTTS 是零许可费 + 自付算力。规模与合规要求不同，成本结论会反转。

🔒 稳定性 0.7/1.0

维护可观测：仓库 API 的 pushed_at 为 2026-09-29T16:06:53Z，版本线从 1.0（2025/03/25）到 2.5（2026/08/10）持续迭代，README 有英文、中文、日文、西班牙文、阿拉伯文文档。来源：README News、GitHub API。
仓库 API 显示 open_issues 为 413，说明问题讨论活跃，也说明未结问题不少；本文未统计处理时长。
扣分理由：没有 SLA、没有托管可用率承诺；2.5 与 2 的权重目录和 cfg 不通用，升级需要重新下载与适配；模型卡自述长文本分段、use_emo_text 依赖额外模型（2.5 需 use_qwen_emo=True）等限制，都是运行时容易踩的边界。
竞品对比 1（CosyVoice）：同为开源模型仓库，都会遇到权重版本与依赖升级的适配成本，本文不对谁的版本更稳下结论。
竞品对比 2（ElevenLabs）：托管服务以可用率和版本管理为卖点但同样有条款变更风险；本地部署的故障面在使用者自己的环境。责任归属不同。

🛡️ 隐私安全 0.8/1.0

可完全离线推理：权重下载完成后，合成过程不需要把文本或音频发到第三方；这对内部素材与未公开脚本是实际优势。来源：README。
项目自身不含账号、鉴权、水印或审计能力；对外提供服务必须自行补齐，否则克隆能力可被任意调用。
合规风险明确写在模型卡里：模型不会校验参考音频中说话人是否同意被克隆，取得同意是使用者的责任，所有使用都受许可证约束；许可证还禁止违法、歧视与侵犯隐私的用途。
扣分理由：缺少水印/溯源与滥用防护等机制说明，也没有安全审计材料；部署方需要自行承担合规设计。
竞品对比 1（ElevenLabs）：托管服务通常附带滥用监测与账号约束（以其实时条款为准），本地权重把这类控制交给部署方；这是交付形态带来的合规边界差异。
竞品对比 2（GPT-SoVITS）：同样以本地克隆为核心，风控责任同样落在使用者；此处只说明同类项目的共同边界，不比较安全实现。

🏷️ 标签说明

TTS：核心功能是文本转语音，README 自我描述为「工业级可控高效的零样本文本转语音系统」。来源：README。
语音克隆：用单段参考音频复刻音色，是项目的主打能力；也正因此需要参考音频的授权。来源：模型卡。
多语言：2.5 支持中文、英语、日语、西班牙语、阿拉伯语，并支持跨语种音色迁移。来源：README。
本地部署：官方交付形态是本地仓库 + WebUI/Python API + vLLM 配方，不提供托管账号服务；本文据此选择该标签，未标注为「开源免费」，因为许可并非标准开源许可且商用需联系官方。来源：LICENSE。

局限与未实测声明

本文未克隆仓库、未安装依赖、未下载权重、未合成任何音频，也未在 Windows 或 Linux 的 GPU 环境验证安装与推理。所有技术参数（语种、参数范围、显存、精度选项）、评测数字与速度数据均来自官方 README 与模型卡，属项目方公开声明；本文未复现，不能视为独立评测。许可证条款与商用条件请以官方 LICENSE 原文及官方回复为准。

📋 来源核实

已读取官方 README，核对版本线（2.5 发布日 2026/08/10）、安装命令、权重下载命令、WebUI 与 Python API 用法、情绪与语速参数、评测与速度表、社区入口。
已读取 IndexTTS-2.5 模型卡，核对开发者、参数量、输出采样率、许可证、运行前提（Python 3.10–3.11、NVIDIA GPU、约 6 GB 显存）与限制清单。
已读取 LICENSE 原文，确认是 bilibili Model Use License Agreement，包含衍生作品声明义务与禁止高风险用途条款。
已查询 GitHub 仓库 API，记录 stars、forks、pushed_at、open_issues、license 字段与非归档状态（采集日期 2026-10-23）。
对照来源：CosyVoice、Fish-Speech、GPT-SoVITS、ElevenLabs，对比只涉及产品定位与公开功能。
核验日期 2026-10-23；未复现的准确率、MOS、并发能力与商用授权费用均不作断言。

评分依据可追溯至上述公开来源；分数是基于能力与限制的编辑判断，不是实测音频质量、性能排名或法律意见。

同分类推荐

AI音频分类下的其他工具

)}