Article Summary / 文章概要

本指南介绍由哔哩哔哩开发的强大文本转语音（TTS）系统IndexTTS，优化了中英文自然且高保真的语音合成。了解如何设置IndexTTS，探索其应用场景，并通过分步说明优化性能。本文适合内容创作者和开发者，帮助您有效利用IndexTTS。

PS:我用星爷的声音克隆试了一下，感觉还行吧，一般般。

原版声音：

克隆声音：

---

1. Project Introduction / 项目简介

IndexTTS 是一个基于 GPT 风格架构的工业级文本转语音（TTS）系统，基于 XTTS 和 Tortoise 算法构建。它在中文处理方面表现卓越，支持拼音纠错、多音字消歧、长尾字发音优化以及通过标点符号实现精准停顿控制。通过集成 BigVGAN2 提升音频质量，IndexTTS 使用 25,000 小时中文音频和 9,000 小时英文音频进行训练，在字词错误率（WER：1.3%）、扬声器相似性（SS：0.776）和主观音质评分（MOS：4.01）方面超越 XTTS、CosyVoice2、Fish-Speech 和 F5-TTS 等竞争对手。

Note / 备注:
IndexTTS 支持语音克隆，可实现逼真的扬声器复制，并具有不错的情感语调支持。测试结果将在本文末尾提供。

Key Features / 核心功能:

• 准确的中文发音，支持拼音纠错和多音字消歧。
• 通过标点符号实现精细停顿控制。
• 高保真音频，支持语音克隆。
• 中英双语支持。

---

2. Application Scenarios / 应用场景

IndexTTS 支持多种应用场景：

• Content Creation & Video Dubbing / 内容创作与视频配音:
  为短视频、Vlog 或纪录片生成自然语音，提升创作效率。
• Audiobooks & Online Education / 有声读物与在线教育:
  为电子书、儿童绘本或教育视频提供高质量中英双语朗读。
• Smart Customer Service & Voice Assistants / 智能客服与语音助手:
  适配多种语音风格，提升客服响应的自然度和多样性。
• Entertainment & Virtual Character Voices / 娱乐与虚拟角色语音:
  为游戏配音、虚拟主播或 AI 歌手打造沉浸式体验。
• Accessibility Technology / 无障碍辅助技术:
  为视障用户提供高质量语音辅助，如屏幕阅读器或导航服务。

---

3. Testing Environment / 测试环境

System / 系统: Microsoft Windows 11 Professional
CPU / 处理器: Intel® Core™ i7-9700K (8 cores, 3.7–5.1 GHz) 传送门
GPU / 显卡: GeForce RTX 2070 (8GB VRAM) 传送门
Memory / 内存: 32GB
Storage / 硬盘: 512GB SSD
Note / 备注:测试在较老的外星人51MR1 上进行，散热有限。新系统可适当降低配置。确保您的配置达到或超过这些规格以获得流畅性能。

---

4. Project Resources / 项目资源

• Official Website / 官方网站: 传送门
• GitHub Repository / GitHub 仓库: 传送门
• Research Paper / 论文地址: 传送门

Trial Platforms / 试用平台

• ModelScope Community / 魔塔社区 (requires registration, offers 100 hours of free GPU compute for new users): 传送门
• Hugging Face / 抱抱脸 (requires VPN for access): 传送门

---

5. Installation Methods / 安装方法

Option 1: One-Click Installation (Recommended for Beginners) / 一键安装（推荐新手）

Download the one-click installation package (4.5GB) provided by Bilibili creator “十个骑士”:
下载由哔哩哔哩创作者“十个骑士”提供的一键安装包（4.5GB）：

• Bilibili Profile / 哔哩哔哩主页: 传送门
• YouTube Profile / YouTube 主页: @yhqqxq">传送门
• Quark Drive / 夸克网盘: 传送门 (Extraction Code: pwFs)
• Baidu Drive / 百度网盘: 传送门 (Extraction Code: d5eg)
• OneDrive: 传送门

Steps / 步骤:

1. Download and extract the package.
2. Run the .exe file (avoid Chinese characters in file paths).
3. Access the interface at http://127.0.0.1:7860/ in your browser.
   下载并解压安装包。
   运行 .exe 文件（避免路径中包含中文字符）。
   在浏览器中访问 http://127.0.0.1:7860/ 查看界面。

Option 2: Official Installation (Recommended for Advanced Users) / 官方安装（推荐动手能力强的用户）

Environment Setup / 环境设置

1. Clone the Repository / 克隆仓库:

git clone https://github.com/index-tts/index-tts.git

1. Install Dependencies / 安装依赖项:

   创建新的 Conda 环境并安装依赖项：

conda create -n index-tts python=3.10
conda activate index-tts
apt-get install ffmpeg

安装 PyTorch：

pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu118

**Note for Windows Users / Windows 用户注意**:

如果遇到 pynini 安装错误，请使用：

conda install -c conda-forge pynini==2.1.6
    pip install WeTextProcessing --no-deps

将 IndexTTS 安装为包：

cd index-tts
    pip install -e .

1. Download Models / 下载模型:
   使用 huggingface-cli 下载：

huggingface-cli download IndexTeam/IndexTTS-1.5 \ config.yaml bigvgan_discriminator.pth bigvgan_generator.pth bpe.model dvae.pth gpt.pth unigram_12000.vocab \ --local-dir checkpoints
    ``` 
中国用户可使用镜像加速下载：
```bash 
export HF_ENDPOINT="https://hf-mirror.com"

或者使用 wget：

wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/bigvgan_discriminator.pth -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/bigvgan_generator.pth -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/bpe.model -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/dvae.pth -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/gpt.pth -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/unigram_12000.vocab -P checkpoints
wget https://huggingface.co/IndexTeam/IndexTTS-1.5/resolve/main/config.yaml -P checkpoints

1. Run Test Script / 运行测试脚本:

Place your prompt audio in 'test_data' and rename it to 'input.wav'
python indextts/infer.py

1. Use as a Command-Line Tool / 作为命令行工具使用:

indextts "大家好，我现在正在bilibili 体验 ai 科技，说实话，来之前我绝对想不到！AI技术已经发展到这样匪夷所思的地步了！" \
     --voice reference_voice.wav \
     --model_dir checkpoints \
     --config checkpoints/config.yaml \
     --output output.wav

查看更多选项：

indextts --help

1. Web Demo / 网页演示:

pip install -e ".[webui]" --no-build-isolation
python webui.py

在浏览器中访问 http://127.0.0.1:7860 查看演示。

Sample Code / 示例代码

from indextts.infer import IndexTTS
tts = IndexTTS(model_dir="checkpoints", cfg_path="checkpoints/config.yaml")
voice = "reference_voice.wav"
text = "大家好，我现在正在bilibili 体验 ai 科技，说实话，来之前我绝对想不到！AI技术已经发展到这样匪夷所思的地步了！比如说，现在正在说话的其实是B站为我现场复刻的数字分身，简直就是平行宇宙的另一个我了。如果大家也想体验更多深入的AIGC功能，可以访问 bilibili studio，相信我，你们也会吃惊的。"
tts.infer(voice, text, "output.wav")

---

6. Notes and Tips / 注意事项

1. Performance Considerations / 性能注意事项:
   在测试配置下生成 10 分钟音频需要约 40 分钟（占用 3–4GB 内存、3–7GB 显存、20% CPU）。为获得更好性能，建议使用 Linux 系统或更高配置的 PC，散热需良好。
   
   
2. File Path Restrictions / 文件路径限制:
   避免文件路径中使用中文字符或空格，以防 Python 环境问题。
3. Disable Download Managers / 禁用下载管理器:
   在设置过程中禁用浏览器下载插件（如 IDM），以避免 GUI 启动问题。

---

7. Evaluation Summary / 测评总结

1. Local Deployment / 本地部署: 本地部署适度推荐（8.2/10 分）。一键包简化了设置，但高性能 PC 可获得最佳效果。
2. Comparison / 对比: 与同类 TTS 系统相比，IndexTTS 在本地部署和中文处理方面表现突出。
   为远程访问，可在 launch() 中设置 share=True 进行公开共享。使用专用 IP 进行端口映射，或为非专用 IP 设置内网穿透。
3. Documentation / 文档: 查看官方文档以获取详细指导。