IndexTTS 2.5 开源：支持 5 国语言克隆，推理更快还能精准调情绪

IndexTTS-2.5 是一个只需几秒参考音频就能克隆音色的开源零样本语音合成系统。2026 年 8 月 10 日发布的 2.5 版本，正式支持中文、英语、日语、西班牙语和阿拉伯语 5 种语言，推理速度明显快于上一代，并保持了跨语言合成与音色情绪解耦能力。

它能做什么

你只要输入几秒钟的声音样本，模型就能模仿这个音色念出任何文本。最实用的玩法是跨语种配音，例如输入一段中文母语者的声音，直接生成音色高度一致的西班牙语或英语语音。

新版本在可控性上做了大幅强化。语速调节支持通过参数在 0.5 到 2.0 倍时长之间自由缩放，满足不同视频剪辑和对话节奏的要求。

为了解决语音合成中常见的生僻字和多音字问题，IndexTTS-2.5 提供了细粒度的发音替换功能。用户可以在输入文本中直接标注中文拼音、英文 CMU 音素或日文假名，强制模型按照指定发音朗读。

情绪表达同样灵活。你可以传入另一段带有哭腔或怒火的音频作为情绪参考，用参数调节情绪渲染的强弱；也可以直接传入一个包含 8 种情绪维度的浮点数列表进行精确配比。如果不想手动调节，开启相应选项后，系统还能调用内置的 Qwen 情绪模型，根据文案内容自动生成情绪向量。

怎么跑起来

项目代码已在 GitHub 开源，模型权重也同步放上了 Hugging Face 和 ModelScope。所有模型文件加起来大约 5.5 GB，大部分主流消费级显卡都能轻松装下。

环境配置推荐使用 uv 工具，执行依赖同步即可自动建立虚拟环境并安装 Python 依赖库。官方提供了现成的 WebUI 界面，启动后在本地浏览器访问 7860 端口就能直接上手试玩。

在推理优化上，IndexTTS-2.5 默认支持 BF16 半精度推理，显著降低了显存占用。如果追求极限速度，Linux 环境下可以选配 DeepSpeed 或编译专属 CUDA 内核。针对线上业务，官方还给出了适配 vLLM 的高并发部署方案。

为什么重要

对于做内容出海、自媒体配音以及游戏 NPC 配音的开发者来说，IndexTTS-2.5 是目前非常值得本地部署的开源语音神器。它把多语言支持、精细化音素控制和情绪迁移打包进了不到 6 GB 的体积里，几乎没有二次微调门槛。

我们认为它最聪明的地方在于兼顾了极客可玩性与工业落地。它不仅提供了按键即用的网页端和精确的拼音音素标注，还原生打通了 vLLM 生产级流水线，解决了以往开源 TTS 模型推理迟钝、难以承接线上并发的硬伤。