IndexTTS 2.5が公開：日英中など5言語に対応、感情制御と高速推論を実現

IndexTTS-2.5は、わずか数秒の参照音声からその声質を再現できるオープンソースのゼロショット音声合成システムだ。2026年8月10日に公開されたバージョン2.5では、日本語、中国語、英語、スペイン語、アラビア語の5言語に対応し、前バージョンより推論速度が向上している。

何ができるか

使い方は明快で、数秒間の参照音声を渡すだけで、その声質のまま任意のテキストを読み上げさせることができる。特に強力なのがクロスリンガル合成で、例えば日本語で話す人物の声をそのまま使い、違和感のないスペイン語や英語の音声を生成できる。

制御性の高さも大きな特徴だ。duration_factorパラメータを用いることで、話速を0.5倍から2.0倍の範囲で滑らかに調整でき、動画編集の尺合わせにも柔軟に対応する。

誤読が起きやすい同音異義語や固有名詞に対しては、テキスト内で直接読み方を指定できる。日本語の仮名表記、中国語のピンイン、英語のCMU音素記号を直接埋め込み、狙い通りの発音を強制することが可能だ。

感情の表現力も優れている。怒りや悲しみが乗った別の音声を感情プロンプトとして与えて強弱を調整できるほか、8つの基本感情を数値ベクトルで直接指定することもできる。さらに自動解析を有効にすれば、組み込みのQwen感情モデルがテキスト内容から文脈に合った感情を推定してくれる。

動かし方

コードはGitHubで公開されており、モデルのチェックポイントはHugging FaceおよびModelScopeから入手できる。ファイルサイズは合計約5.5GBに収まっており、一般的な民生用GPU環境で十分に動作する。

環境構築にはuvツールの使用が推奨されており、依存関係の競合を避けつつスムーズにセットアップできる。同梱のWebUIを起動すれば、ローカルの7860番ポート経由でブラウザから直感的にテスト可能だ。

推論効率の面では、IndexTTS-2.5はBF16による半精度推論を標準サポートしており、VRAM消費を大幅に抑えられる。本格的な運用に向けては、vLLMを用いた高スループットな本番デプロイ手順も提供されている。

なぜ重要か

動画翻訳やインディーゲームのキャラクターボイス制作を行うクリエイターにとって、IndexTTS-2.5は今すぐ試す価値がある実用的なツールだ。5.5GBという軽量設計でありながら、多言語対応と精緻な発音制御、感情表現を兼ね備えている。

研究レベルの公開にとどまらず、vLLMによる本番環境配備やBF16推論を公式にサポートしてきた点は非常に実践的だ。オープンソースTTSにありがちな推論の重さや導入の手間を解消しており、ローカル音声生成の有力な選択肢になるだろう。