IndexTTS-2.5

Bilibili 的 0.8B 零样本声音克隆 TTS:支持中、英、日、西、阿五种语言,可控情感和语速,约 6 GB 显存。

一句话概括. IndexTTS-2.5 只需一小段音频就能复制一个声音,并用它朗读中文、英文、日文、西班牙文或阿拉伯文的新文本,哪怕参考音频不是同一种语言。你可以把情感和声音分开设置,指定难读字词的发音,也可以加快或放慢语速。它在一张约 6 GB 显存的 NVIDIA 显卡上就能运行。

概述

IndexTTS-2.5 是中国视频平台 Bilibili 的 Index 团队的最新模型,权重于 2026 年 8 月 10 日发布。技术报告是 arXiv 2601.03888,在 2026 年 1 月就已发布。它是零样本文本转语音系统,只用一段参考音频就能克隆声音,无需任何微调。与 IndexTTS-2 相比,它在中文和英文之外新增了日语、西班牙语和阿拉伯语,推理更快,通过 0.5 到 2.0 之间的时长系数增加了语速控制,并改进了对拼音、英文 CMU 音素和日文假名所写发音的控制。它保留了上一代的跨语言声音迁移,以及情感与音色分离的能力。

它是自回归模型,含一个约 8 亿参数的 GPT 主干、一个把语音 token 转成梅尔频谱的流匹配解码器和一个 BigVGAN 声码器,输出 22.05 kHz 的音频。情感可以用八个数字组成的向量来设置(对应开心、愤怒、悲伤、害怕、厌恶、忧郁、惊讶和平静),也可以复制自另一段参考音频,或者通过随包提供、需要手动开启的基于 Qwen 的情感模型用文字描述。模型卡要求 NVIDIA 显卡、Python 3.10 或 3.11 和大约 6 GB 显存,仓库大小约 5.5 GB。w2v-bert-2.0、MaskGCT 语义编码器、CAMPPlus 和 BigVGAN 等辅助模型会在首次运行时下载。vLLM 提供了生产部署方案,社区也有 GGUF 和 MLX 转换版本。

Bilibili 自己在 CV3-Eval 上的表格(阿拉伯语使用内部测试集)报告,五种语言的平均词错误率为 6.75%、说话人相似度为 73.18,VoxCPM2 为 7.22% 和 72.02,OmniVoice 为 6.76% 和 70.39。README 还列出了经过强化学习调优的一行,为 6.00% 和 73.63,我们无法判断发布的检查点对应哪一行。在 RTX 4090 上,它报告的实时因子在 BF16 下约为 0.21,IndexTTS-2 在 FP16 下为 0.33。这些都是开发方的数字。许可证是 Bilibili 自己的协议,没有对商用的一般性禁令,不过 README 邀请商用者联系团队,协议还设有 1 亿月活跃用户或 10 亿元人民币营收的门槛,并限制用该模型去改进其他 AI 模型。模型卡指出,长文本会被切成多段,因此段落之间的语调不连贯,而且征得被克隆者同意是用户自己的责任。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计下载约 29,000 次。

适合做什么

  • 用一小段音频克隆声音,用于旁白、配音、游戏和助手
  • 中文、英文、日文、西班牙文或阿拉伯文语音,并支持跨语言声音迁移
  • 精细控制:情感向量或文字描述、拼音、CMU 或假名发音标注,以及语速系数
  • 体积小,约 6 GB 显存,下载约 5.5 GB

需要注意

  • 许可证是自定义的:月活跃用户超过 1 亿或营收超过 10 亿元人民币时需要 Bilibili 另行批准,也不得用该模型去改进其他商业 AI 模型
  • 许可证文本把模型称为“bilibili indextts2”,不过 2.5 的模型卡和 README 指向的是同一份协议
  • 它需要 NVIDIA 显卡,模型卡没有说明 CPU 或 Mac 上的用法,不过有社区转换版本
  • 长文本会被切开,拼接处的语调可能重置,随机情感采样会降低声音克隆的保真度
  • 基准表格来自 Bilibili 自己,克隆他人声音时必须自己负责取得对方的同意

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 IndexTTS-2.5 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
IndexTTS-2.5 800M 5.5 GB 6 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 6 GB。

许可证,用大白话说

Bilibili 为 IndexTTS 提供的许可证,IndexTTS-2.5 的模型卡和 GitHub 仓库都指向它。它允许你在全球范围内免版税地使用、修改、训练、分发模型并创建衍生模型。文本没有对商用的一般性禁令,但月活跃用户超过 1 亿或年营收超过 10 亿元人民币的使用者或其关联方,需要另行取得书面许可。

  • 仅在营收低于上限时可免费商用
  • 需要署名或标明模型名称
  • 须遵守可接受使用政策

进一步了解 Bilibili Model Use

延伸阅读

常见问题

IndexTTS-2.5 是什么?
IndexTTS-2.5 只需一小段音频就能复制一个声音,并用它朗读中文、英文、日文、西班牙文或阿拉伯文的新文本,哪怕参考音频不是同一种语言。你可以把情感和声音分开设置,指定难读字词的发音,也可以加快或放慢语速。它在一张约 6 GB 显存的 NVIDIA 显卡上就能运行。
IndexTTS-2.5 可以商用吗?
可以,但有条件。IndexTTS-2.5 采用 Bilibili Model Use 发布,允许商用,但附带额外规则:仅在营收低于上限时可免费商用; 需要署名或标明模型名称; 须遵守可接受使用政策。产品上线前请阅读许可证原文。
IndexTTS-2.5 是开源的吗?
IndexTTS-2.5 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 Bilibili Model Use 附带了开源促进会的定义所不允许的条件。
我能在自己的电脑上运行 IndexTTS-2.5 吗?
可以。最小版本 IndexTTS-2.5 在 4 位精度下约需 6 GB 内存,现代笔记本或中端显卡即可胜任。
IndexTTS-2.5 是什么时候发布的?
IndexTTS-2.5 由 Bilibili 于 2026年8月10日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
VoxCPM2 OpenBMB 2.29B – Apache 2.0 (宽松) 8 GB 笔记本或手机
OmniVoice Xiaomi 613M – CC BY-NC (非商用) 3.75 GB 笔记本或手机
Qwen3-TTS Alibaba Qwen 910M – 1.92B – Apache 2.0 (宽松) 3.68 GB 笔记本或手机
Fun-CosyVoice 3 Tongyi Lab Speech Team 500M – Apache 2.0 (宽松) 6.21 GB 笔记本或手机