现有的大规模自回归文本转语音（TTS）模型在语音自然度方面表现突出，但由于逐 token 生成机制，难以精确控制语音时长。这在需要严格音画同步的应用（如视频配音）中成为一大限制。
B站最新提出的 IndexTTS2，在保持自回归模型优势的同时，提供了一种全新且通用的 语音时长控制方法。
🔹 两种生成模式
显式控制模式：可直接指定生成 token 数量，从而精确控制语音时长。
原声：
文本：
The equipment needed to do this includes rock saws and polishers.
短时长
中时长
长时长
自由生成模式：无需指定时长，模型仍能保持自然的韵律特征。
情感：
Angry 😠
文本：
你在我们屋子里走路的时候，发现路程遥远，这是不足为怪的。
原声
输出
🔹 情感与音色的解耦
IndexTTS2 实现了 情感表达与说话人音色的解耦：
能根据音色提示精确还原目标音色； 同时根据风格提示再现特定情感语气； 在零样本（zero-shot）场景下同样有效。
🔹 技术亮点
GPT 潜在表示：在高度情绪化表达中引入 GPT 表征，提升语音清晰度与稳定性。 三阶段训练范式：优化生成语音的稳定性。 软指令机制：结合 Qwen3 微调，通过文字描述即可引导情感控制，大幅降低使用门槛。
🔹 实验结果
在多个数据集上的实验表明，IndexTTS2 在以下方面均超越现有最先进的零样本 TTS 模型：
词错误率（WER） 说话人相似度（SS） 情感保真度
技术架构
IndexTTS2 在架构和方法上带来了多项突破：
时长自适应方案
首次在自回归零样本 TTS 模型中实现了 精准时长控制 与 自然时长生成 的结合。 该方案具有良好的可扩展性，可适用于任意大规模自回归 TTS 模型。 情感与音色解耦
模型将情感特征与音色特征从提示中分离，并通过 特征融合策略 保证在高度情绪化表达下的语义流畅性和发音清晰度。 进一步开发了基于自然语言描述的 情感控制工具，用户仅需输入文字即可便捷引导语音的情感方向。 数据与训练策略优化
针对高表达力语音数据不足的问题，提出了一种高效的三阶段训练策略。 显著提升了零样本 TTS 的情感表现力，使其达到当前的 SOTA（State-of-the-Art）水平。 开源与生态
将公开 代码与预训练权重，以推动未来的研究探索和实际应用落地。
🔹 试听样例
视频翻译配音
🔹 我的测试
HuggingFace 上可以适用： https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo
情感：
Happy 😄
文本：
We will make America strong again. We will make America proud again. We will make America safe again. And we will make America great again.
原声：
输出：
