9 月 9 日消息，B站（Bilibili）昨日（9 月 8 日）发布公告，宣布正式开源其自研语音生成大模型 IndexTTS-2.0，是首个支持精确时长控制（Duration Control）的自回归（Autoregressive）零样本文本转语音（TTS）系统。
据介绍，IndexTTS2 支持两种生成模式：
-
一种可通过明确指定生成的 token 数实现精确时长控制；
-
另一种则自由生成，保持输入提示的韵律特征。
在声音表达上，IndexTTS2 实现了情感特征与说话人音色的解耦（Emotion-Speaker Disentanglement）：分离说话人音色与情绪特征，分别控制。
这意味着用户可以独立指定音色来源和情绪来源，例如用一段音频保留音色，再用另一段不同情感的音频或文本描述赋予情绪，在零样本条件下，模型能精准还原目标音色并完全重现指定情绪。
在技术性能上，多数据集实验表明，IndexTTS2 在词错率、说话人相似度和情绪保真度上均超越当前最先进零样本 TTS 模型。其方法具备良好扩展性，可应用于其他大型自回归 TTS 系统。团队表示，将公开代码和预训练权重，推动学术研究与产业落地。
-
技术报告地址：https://arxiv.org/abs/2506.21619
-
仓库地址：https://github.com/index-tts/index-tts
-
Demo 展示地址：https://index-tts.github.io/index-tts2.github.io