IndexTTS 2.5 開源：支援 5 國語言克隆，推理更快還能精準調情緒

IndexTTS-2.5 是一個只需幾秒參考音訊就能克隆音色的開源零樣本語音合成系統。2026 年 8 月 10 日釋出的 2.5 版本，正式支援中文、英語、日語、西班牙語和阿拉伯語 5 種語言，推理速度明顯快於上一代，並保持了跨語言合成與音色情緒解耦能力。

它能做什麼

你只要輸入幾秒鐘的聲音樣本，模型就能模仿這個音色念出任何文本。最實用的玩法是跨語種配音，例如輸入一段中文母語者的聲音，直接生成音色高度一致的西班牙語或英語語音。

新版本在可控性上做了大幅強化。語速調節支援通過引數在 0.5 到 2.0 倍時長之間自由縮放，滿足不同影片剪輯和對話節奏的要求。

為了解決語音合成中常見的生僻字和多音字問題，IndexTTS-2.5 提供了細粒度的發音替換功能。使用者可以在輸入文本中直接標註中文拼音、英文 CMU 音素或日文假名，強制模型按照指定發音朗讀。

情緒表達同樣靈活。你可以傳入另一段帶有哭腔或怒火的音訊作為情緒參考，用引數調節情緒渲染的強弱；也可以直接傳入一個包含 8 種情緒維度的浮點數列表進行精確配比。如果不想手動調節，開啟相應選項後，系統還能呼叫內建的 Qwen 情緒模型，根據文案內容自動生成情緒向量。

怎麼跑起來

專案程式碼已在 GitHub 開源，模型權重也同步放上了 Hugging Face 和 ModelScope。所有模型檔案加起來大約 5.5 GB，大部分主流消費級顯示卡都能輕鬆裝下。

環境配置推薦使用 uv 工具，執行依賴同步即可自動建立虛擬環境並安裝 Python 依賴庫。官方提供了現成的 WebUI 介面，啟動後在本地瀏覽器訪問 7860 埠就能直接上手試玩。

在推理最佳化上，IndexTTS-2.5 預設支援 BF16 半精度推理，顯著降低了視訊記憶體佔用。如果追求極限速度，Linux 環境下可以選配 DeepSpeed 或編譯專屬 CUDA 核心。針對線上業務，官方還給出了適配 vLLM 的高併發部署方案。

為什麼重要

對於做內容出海、自媒體配音以及遊戲 NPC 配音的開發者來說，IndexTTS-2.5 是目前非常值得本地部署的開源語音神器。它把多語言支援、精細化音素控制和情緒遷移打包進了不到 6 GB 的體積裡，幾乎沒有二次微調門檻。

我們認為它最聰明的地方在於兼顧了極客可玩性與工業落地。它不僅提供了按鍵即用的網頁端和精確的拼音音素標註，還原生打通了 vLLM 生產級流水線，解決了以往開源 TTS 模型推理遲鈍、難以承接線上併發的硬傷。