B站开源IndexTTS-2.0：突破自回归TTS时长与情感控制瓶颈
为AI配音与内容出海提供核心引擎
近日，哔哩哔哩（B站）Index团队正式宣布，其自主研发的情感可控、时长可调的自回归零样本文本转语音（TTS）系统——IndexTTS-2.0，已全面开源。
该系统的发布被广泛视为零样本TTS技术迈向实用化阶段的关键里程碑。
在语音合成领域，精准的时长控制与自然的情感表达一直是长期存在的技术难题。
IndexTTS-2.0 在这一背景下推出两项核心创新：
- 时间编码机制：首次在自回归TTS架构中引入时间编码，有效解决了传统模型在语音时长控制上精度不足的问题，实现了更稳定、更自然的语音节奏调控；
- 音色与情感解耦建模：通过创新性的解耦建模方式，系统支持多维度灵活的情感调节。用户不仅可基于单一音频参考，还能通过独立的情感参考音频、情感向量或文本描述等多种方式，精准调控合成语音的情感表达，显著提升生成语音的表现力与适用性。
基于上述技术架构，IndexTTS-2.0在语音生成方面表现出极高的灵活性。
从官方示例来看，该系统可广泛应用于AI配音、有声读物、动态漫画、视频翻译、语音对话及播客制作等多种场景，极大拓展了语音合成技术的创作与应用边界。
尤其值得关注的是，IndexTTS-2.0为全球内容出海提供了重要技术支撑。
凭借高质量的情感复现与精准的时长匹配，跨语言视频可实现近乎“无差别”的本地化体验。
无论是海外用户观看中文视频，还是中文用户聆听外语内容，均能在保留原声风格与情感的基础上，获得更加自然、沉浸的听觉体验。
这一突破不仅大幅降低了优质内容跨语言传播的门槛，也为AIGC技术在全球范围内的落地提供了坚实基础。
目前，IndexTTS-2.0 已同步开源项目论文、完整代码、模型权重及在线体验页面。
IndexTTS团队表示，未来将持续推进模型性能优化，并逐步释放更多资源与工具，与开发者社区共同构建开放、繁荣的语音技术生态，助力推动多语种交流与全球文化互联互通。
GitHub地址：
GitHub – index-tts/index-tts: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System
论文地址：
[2506.21619] IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech
Demo展示地址：
IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech
模型下载地址：
魔搭社区｜IndexTTS-2
Hugging Face| IndexTTS-2
在线体验地址：
https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo
- 视频理解霸榜！快手Keye-VL旗舰模型重磅开源，多模态视频感知领头羊2025-11-28
- 中国唯一！阿里千问斩获全球AI顶会最佳论文2025-11-28
- 第19届中国投资年会·有限合伙人峰会在沪成功举办2025-11-28
- C++之父亲临北京，AI 原生时代最值得参加的系统软件技术大会日程发布2025-11-28
相关阅读
