自回归零样本TTS，支持精确时长控制与文本情感指令

• 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]）

为什么本地跑本地部署可避开云端延迟与数据隐私问题，完整试验时长控制、情感解耦等高阶功能，尤其适合中文零样本TTS场景。

即刻体验 HuggingFace ↗

运行模型 IndexTeam/IndexTTS-2