IndexTTS2：B 站开源的零样本语音合成，能克隆音色、控制情绪，但许可证要注意

传统 TTS 需要为每个说话人训练模型，或者只能输出平淡的语音。IndexTTS2 解决了三个问题：一，用一条参考音频即可完成声音克隆，无需微调；二，用情感音频、8 维情感向量或自然语言描述来控制语气，让 AI 语音有情绪；三，通过拼音级发音控制，减少中文多音字和生僻字的错误。它还设计了时长控制，为视频配音对口型提供可能。

语音合成正在从‘像机器说话’走向‘像真人表达’。IndexTTS2 把零样本音色克隆、情感控制、多语言合成打包在一个工业级系统里，且来自 B 站这样的头部视频平台，意味着它针对视频配音、内容创作等真实场景做了优化。虽然许可证有限制，但它给开发者和创作者提供了一个当前 SOTA 级别的、可本地运行的参考实现。

严格来说，它不完全是 OSI 定义下的‘开源’。仓库代码公开，但许可证是 B 站模型使用许可协议（SPDX 标为 NOASSERTION），属于自定义许可证。官方允许全世界范围内的非独占、免费、有限许可，但有以下关键限制：如果产品月活超过 1 亿或年收入超 10 亿人民币，必须单独向 B 站申请书面授权；不得用该模型或衍生作品去优化任何 AI 模型，除非是非商业 AI 模型或 B 站 IndexTTS2 自身。另外，模型权重需要从 HuggingFace 或 ModelScope 单独下载，并非随代码自动获得。

如果你不是开发者，也可以体验，但需要有人帮你完成初始部署。项目提供了一个本地 WebUI，启动后访问 http://127.0.0.1:7860，上传参考音频、输入文本、选择情感和语言，即可生成语音。它不需要注册外部 API，完全本地运行。但请记住：它没有打包成一键安装的桌面应用，也没有云端 demo，所以非技术用户最好等待第三方封装或在线体验版。

部署步骤大致如下：1) 准备一台带 NVIDIA GPU 的 Linux/Windows 机器，安装 CUDA Toolkit 12.8 或更高版本；2) 安装 git、git-lfs 和 uv 包管理器；3) 克隆仓库（注意：官方曾重置历史，先删除旧 clone 再重新拉取）；4) 进入目录执行 `uv sync --all-extras` 安装依赖；5) 从 HuggingFace 或 ModelScope 下载 IndexTTS-2 模型权重并放到指定路径；6) 运行 `uv run webui.py`；7) 打开 http://127.0.0.1:7860 使用。可选参数包括 `--fp16`、`--accel`、`--torch_compile` 加速推理。首次运行会自动下载小型辅助模型。整个过程需要一定的命令行和 GPU 环境配置经验。

根据论文，IndexTTS2 在词错误率、说话人相似度和情感保真度上达到 SOTA，但当前版本并未启用 README 中承诺的‘精确时长控制’，所以指望它能精确对齐视频口型还不行。另外，推理时开启随机采样会降低克隆相似度。它更适合情感丰富的有声内容、多语言配音和低延迟克隆，而不是需要逐字对时长的精细编辑。

项目概览

IndexTTS2 是 B 站开源的一款工业级零样本语音合成系统。它只需要一条参考音频，就能克隆说话人音色，并合成中文、英文及跨语言语音。官方同时公布了论文和模型权重，定位是‘可控、高效的零样本 TTS’。

核心特点包括：

• **零样本音色克隆**：单个参考音频即可模拟目标说话人，无需微调。
• **情感控制**：支持用情感音频、8 维情感向量或自然语言描述来控制语气。
• **中文拼音级控制**：可以精确指定每个字的发音，减少多音字错误。
• **多语言/跨语言**：目前演示了中文和英文，跨语言场景下也能保持音色。
• **时长控制（未启用）**：论文提出了精确时长控制架构，但当前 release 尚未启用。

解决什么问题？

传统 TTS 的痛点在于：克隆声音需要大量训练数据，合成语音缺乏情绪，多音字容易读错。IndexTTS2 用零样本范式省去了训练步骤，用情感提示解决了表达力问题，用拼音级控制提升了中文准确性。视频配音、有声书、角色语音、多语言内容创作都是它的理想场景。

开源与许可证

需要明确：这是‘代码公开 + 自定义许可证’的项目，不是传统意义的开源软件。许可证要点：

• 小型实体可以商用，但必须遵守所有条款。
• 产品月活超 1 亿或年收入超 10 亿人民币的公司，需要单独联系 B 站获取书面许可。
• 禁止用该模型或衍生作品改进其他 AI 模型（非商业 AI 模型除外）。
• 模型权重需单独下载。

商业合作邮箱：indexspeech@bilibili.com

部署体验

部署门槛不低：需要 GPU、CUDA 12.8+、uv，还要手动下载权重。但一旦环境配好，WebUI 使用很简单。命令如下：

```bash git clone https://github.com/index-tts/index-tts.git cd index-tts uv sync --all-extras # 下载 IndexTTS-2 权重并放到正确位置 uv run webui.py ```

之后访问 http://127.0.0.1:7860 即可。

能力边界

当前版本最大的遗憾是‘精确时长控制’没有真正启用，所以无法直接做精确对口型。另外，随机采样会伤害克隆相似度，生产使用时需要固定种子或做取舍。如果你需要的是高质量、情感丰富、多语言的语音生成，它非常强；如果你需要精细到音素级别的时长编辑，请等待后续 release 或选择其他工具。

类似项目

• **Coqui TTS**：老牌 TTS 工具包，XTTS v2 支持 16+ 语言零样本克隆，Apache 许可证，但维护已停滞。
• **Tortoise TTS**：高保真英文 TTS，Apache 2.0，推理慢，缺少情感/时长控制。
• **Confucius4-TTS**：网易有道的 LLM TTS，支持 14 语言和情绪迁移，许可证友好。
• **Step-Audio-EditX**：3B 参数音频编辑模型，支持情感/风格控制，Apache 2.0，但资源占用高。

结论

IndexTTS2 是当前零样本 TTS 领域的头部选手，能力出色，但许可证和部署门槛限制了它的普适性。如果你有 GPU 资源和合规需求，它能成为内容生成链路中的利器；如果你是大公司或想要无限制商用，可能需要考虑替代方案或联系 B 站单独授权。