项目介绍

介绍

IndexTTS 是哔哩哔哩（B站）推出的一款工业级、可控性强的文本转语音（TTS）系统。它基于开源项目 XTTS 和 Tortoise 进行深度优化，融合了类 GPT 的生成式模型架构，能够将文本快速转化为自然、流畅、高保真的语音。IndexTTS 在中文处理方面表现尤为出色：具备拼音纠错、多音字消歧、长尾字发音优化、精细停顿控制等功能，极大提升了语音合成的自然度和准确性。其核心采用字符与拼音的混合建模方法，并集成了最新的语音建模技术。性能方面，IndexTTS 在权威评测中表现亮眼——字词错误率（WER）低至 1.3%，扬声器相似性（SS）高达 0.776，主观音质评分（MOS）为 4.01，整体表现领先业内同类产品。IndexTTS 使用了大规模语音数据进行训练，包括 2.5 万小时中文音频 和 9000 小时英文语音，确保合成语音在内容和音色上的多样性与一致性。 主要功能亮点：

• 拼音纠错与精准停顿：自动识别并纠正拼音错误，有效解决多音字误读问题；通过标点符号实现精细的停顿控制，使语音输出更具自然节奏感。
• 高音质输出：采用基于 Conformer 的条件编码器和 BigVGAN2 解码器，全面提升语音的音质与音色相似度，MOS 达 4.01。
• 多语言支持：目前支持中文与英文，未来将扩展至更多语言场景。
• 语音风格可控：支持零样本语音克隆，可模仿任意说话人风格生成语音。