IndexTTS2最新版一键包支持情绪控制支持声音停顿多音字读音控制声音拉长支持50系列显卡

文章目录(快捷跳转)

简介说明
图片预览
下载地址
扫二维码手机阅读本页

简介说明
IndexTTS2 是一个强大的自回归零样本文本转语音系统,实现了前所未有的语音生成控制能力。通过先进的情感表达、
精确的时长控制和即时语音克隆功能,它可以生成自然、富有表现力的多语言语音合成。采用 Apache 2.0 许可证发布,完全开源且可用于商业用途。
IndexTTS2 的核心功能
探索使 IndexTTS2 成为富有表现力、可控文本转语音生成理想选择的强大功能。

零样本语音克隆
仅需几秒钟音频即可即时克隆任何声音,无需训练。在不同内容和情感中实现高保真语音重现和说话人一致性。

情感表达控制
将音色与情感解耦以实现独立控制。使用文本描述引导情感表达(开心、悲伤、兴奋、愤怒),同时保持声音身份和自然度。

精确时长控制
首个将准确时长控制与自然生成相结合的自回归 TTS。实现精确的语音时间控制,而不牺牲表现力或韵律质量。

多语言支持
原生支持中文(普通话)、英文和中英文混合合成。跨语言边界保持自然的发音和语调。

拼音发音控制
通过拼音标注对中文文本进行高级发音控制。解决歧义发音并确保复杂上下文中的准确汉字朗读。

高自然度与清晰度
与现有模型相比,具有更优的词错误率(WER)和情感保持度。实现类人自然度评分,具有卓越的清晰度和可懂度。

## 项目简介

本项目基于 `IndexTTS2` 搭建，提供本地化的零样本文本转语音能力。
它可以通过一段参考音频克隆音色，并结合文本内容生成对应语音；同时支持情感控制、术语读音管理、示例管理和 WebUI 交互操作，适合用于配音、角色语音生成、短句播报、内容创作和本地测试。

使用方法

1.使用7zip 或者其他解压工具解压到没有中文的目录。

2.双击 start_webui.bat启动，等待弹出网页就可以使用了。

## 核心能力

### 1. 零样本音色克隆
- 上传一段参考音频后，可以让模型模仿该说话人的音色生成新语音。
- 支持直接上传本地音频，也支持在界面中管理和复用参考音频。
### 2. 文本转语音生成
- 输入目标文本即可生成语音。
- 支持中文和英文场景。
- 可结合参考音频实现“同音色不同文本”的语音生成。
### 3. 情感控制
项目支持多种情感控制方式：
- 与音色参考音频保持相同情感
- 使用单独的情感参考音频
- 使用情感向量控制
- 使用情感描述文本控制
可用于生成平静、喜悦、低落、愤怒等不同风格的语音表达。
### 4. 分句生成与高级参数控制
- 支持长文本自动分句处理。
- 可设置每段最大 Token 数，平衡生成质量与速度。
- 可调节采样参数，如 `top_p`、`top_k`、`temperature`、`num_beams`、`repetition_penalty`、`max_mel_tokens` 等。
适合对生成结果进行更细粒度的控制。
## WebUI 扩展功能
除了模型原有能力外，本项目的 WebUI 还额外加入了适合日常使用的功能增强。
### 5. 多音字文本预处理
- 可在生成前对指定关键词做文本替换。
- 适合修正多音字、固定发音和特殊口语读法。
- 支持添加、更新、删除规则。
- 支持词库导入与导出。
- 支持预处理结果预览和复制。
例如：
```text
倒 -> dao3
```
生成前可把特定词语替换成期望读音，减少错误发音。
### 6. 自定义术语词汇读音
- 可为专业术语、自定义词汇、品牌名、人名等设置单独读法。
- 支持分别设置中文读法和英文读法。
- 适合处理模型默认发音不准确的专有词汇。
### 7. 停顿与拉长音控制
当前 WebUI 支持在文本中直接使用简码控制停顿和局部拉长音。
支持的停顿写法：

```text
[pause=300]
[sil=500]
【停顿=200】
```
支持的拉长音写法：
```text
啊~
啊~~
啊~~~
啊[stretch=1.5]
嗯[elong=1.8x]
好[拉长=1.3倍]
```

示例：

```text
今天天气真好啊~[pause=300]我们继续测试。
```

说明：

- 停顿建议单次 `200~500ms`
- 拉长音建议 `1.2~1.8` 倍
- 连续 `~` 会逐步加长
- 倍数过大可能出现失真

### 8. Examples 示例管理

WebUI 提供了示例数据管理能力，方便快速复用常用配置。

- 支持把当前配置保存到 `Examples`
- 支持按名称筛选
- 支持关键字搜索
- 支持分页浏览
- 支持切换每页显示数量
- 支持删除示例
- 支持显示当前选中示例，避免误删

适合保存常用的角色音色、情感组合和测试文本。

### 9. 参考音频管理

支持对参考音频进行本地管理：

- 搜索
- 分页查看
- 预览播放
- 选中回填
- 上传新音频
- 替换旧音频
- 重命名
- 删除

适合维护自己的音色素材库。

## 适用场景

本项目适合以下场景：

- AI 配音与旁白生成
- 角色台词生成
- 有声内容创作
- 短视频配音
- 术语播报与专业文本试读
- 本地化 TTS 调试与实验

## 使用方式概览

### 启动

常见启动方式：
- 运行 [start_webui.bat](/e:/index-tts-main/start_webui.bat)
- 或直接运行 [webui.py](/e:/index-tts-main/webui.py)

### 基本流程

1. 上传或选择音色参考音频
2. 输入要生成的文本
3. 按需设置情感、术语读音、多音字规则、停顿或拉长音
4. 点击“生成语音”
5. 在生成结果中试听和保存

## 项目特点总结
- 支持零样本音色克隆
- 支持情感控制
- 支持术语和多音字发音修正
- 支持文本内停顿与拉长音控制
- 支持示例库和参考音频库管理
- 提供本地 WebUI，适合中文用户直接使用

## 说明

- 精确时长控制是 `IndexTTS2` 的研究方向之一，但公开版并未完全开放所有原生时长控制能力。
- 当前项目中的“停顿”和“拉长音”功能，主要通过 WebUI 层的分段合成与后处理实现，适合实际使用，但并不等同于模型原生公开接口。
- 如果后续需要，还可以继续扩展更多文本控制简码，例如重音、弱读、局部变速等。

图片预览

1.上传音频，输入文本即可直接生成

2.输入名字点击保存即可把音频保存到模型库，下次方便调用