摘要: IT之家 9 月 9 日消息，B站（Bilibili）昨日（9 月 8 日）发布公告，宣布正式开源其自研语音生成大模型 IndexTTS-2.0，是首个支持精确时长控制（Duration Control）的自回归（Autoregressive）零样本文本转语音...
IT之家 9 月 9 日消息，B站（Bilibili）昨日（9 月 8 日）发布公告，宣布正式开源其自研语音生成大模型 IndexTTS-2.0，是首个支持精确时长控制（Duration Control）的自回归（Autoregressive）零样本文本转语音（TTS）系统。
IT之家援引 GitHub 页面介绍，相比较传统逐 token 生成的 TTS 系统，IndexTTS-2.0 首次在自回归架构中实现了精准时长控制，特别适合视频配音等需严格音画同步的应用场景。
在声音表达上，IndexTTS2 实现了情感特征与说话人音色的解耦（Emotion-Speaker Disentanglement）：分离说话人音色与情绪特征，分别控制。
这意味着用户可以独立指定音色来源和情绪来源，例如用一段音频保留音色，再用另一段不同情感的音频或文本描述赋予情绪，在零样本条件下，模型能精准还原目标音色并完全重现指定情绪。
为提升高情感表达下的语音清晰度，团队引入了 GPT 潜在表示，并设计三阶段训练策略增强生成稳定性。此外，他们基于 Qwen3 微调实现了“软指令”机制，允许用户通过自然语言描述来直观控制情绪方向，降低使用门槛。
在技术性能上，多数据集实验表明，IndexTTS2 在词错率、说话人相似度和情绪保真度上均超越当前最先进零样本 TTS 模型。其方法具备良好扩展性，可应用于其他大型自回归 TTS 系统。团队表示，将公开代码和预训练权重，推动学术研究与产业落地。
哔哩哔哩大会员2.68元/月，6.88元/3个月，请点本站上边链接购买
2025年12月03日 09:23:31
随机账号机器密码：
84RI455r TK74dx665Vt
12YK04 AK98xw4
60FW046ck RO23yj9
95DN535vzP LE70u
49AJ823n LE04cx457Tph
25XQ410juN43m JP73ho58
56EH117sg SO21
92UP711qrV LW02ng804Jgka
56SI683stN06 EP84
46QJ133qhK31m IR23m
79UT035iiC LG84
78U HP5
会员登录关闭
注册会员关闭