オープンソースTTSモデル徹底解説 · 2026

IndexTTS2.5

bilibili · 5- 言語アップグレード · 8月発売 10, 2026

IndexTTS2.5 パッチではなく、全世代のリフレッシュです。言語のカバレッジは2つから 5月5日 (中国語、英語、日本語、スペイン語、アラビア語)、インフェレンスは速度のために再構築されます(2.28× より速く)、スピーキングレート制御と微粒発発音制御の両方が新登場。確かに、それは非常に少ないオープンソースの1つです TTS モデル 完全なアラビア語 音声とクロスリンガルのサポート

技術報告: arXiv:2601.03888
パラメーター: ~0.8 B (GPTバックボーン)
語学学校: zh, ja, es, ar
ソリューション: 22.05 kHz ウェーブフォーム
VRAM: ~6 GB (bf16) — このグループの中で最も低い
RTF: 0.2065 bf16 全体的に()RTX 4090)
ライセンス: Bilibili モデルライセンス
ダウンロード: 22.5k (モデルスコープ), 5.49 GB

アップグレード 1 — セマンティックコーデック圧縮(主速レバー)

セマンティックトークンフレームレートは、 50 Hz お問い合わせ 25 HzT2SとS2Mの両方で、シーケンス長さを半分にし、コンピュートとメモリを半減させます。測定されたT2S RTF から落ちる 0.232 (v2.0) へ 0.119 (v2.5).

アップグレード 2 — S2Mバックボーン:U-DiT → ジップフォーマー

バックボーン	コンテンツ	パラム	MACs/フレーム	S2M RTF
U-DiT(v2)0)	12 × 512	110 M	200 M	0.078
ジプフォーマー(v2)5)	8 × 512 + 4×FFN(フン)1024)	68 M	48 M	0.017

ジプフォーマーは、軽量な注意を伴ったコンボリューションをグループ化しました()O(L·d·k) + O(L·d·ログL, k = 5)より低い費用でよりよく長距離の模倣のための。純効果: ~4.6× より速いS2M、 38 M 少数の変数. ペア化された主観的な好みのテストでは、 56% リスナーはZipformerベースの出力を好む 小さいモデルであっても。

アップグレード 3 — クロスリンガル戦略

多言語のトレーニングは、トークナイザーを混乱させる言語間の文字の重複に苦しむ。 3つの補完戦略が評価されました:

バウンダリーアウェアアライメント — 明示的な言語IDマーカー(例:) <ZH>) 各セグメントの周りにインサートします。
トークンレベルの連結 — すべてのテキストトークンは、言語固有の埋め込みで使用されます。これにより、 最高のスピーカーの類似性および最も低い WER すべての4つの評価された言語, そして、リリースされたモデルの使用方法である.
指示ガイドされた生成 — 自然言語の接頭辞(以下「英語でお読みください」)は、外部の言語タグの侵入時間の必要性を削除します。

ゼロショットの感情転送は、ターゲット言語の感情ラベルなしでも動作します: 日本語のES = 0.846, スペイン語 ES = 0.924.

アップグレード 4 — GRPO強化学習後のトレーニング

T2Sのポストトレインステージでは、チームは適用します GRPO(グループ経営方針の最適化) 冷凍 ASR モデルの WER 報酬信号として。ドリフトを防止するために、KL正規化で、入力ごとに4つの候補のセマンティックシーケンスをサンプリングし、より高い報酬が強化されます。

メトリック	RLの前に	RLの後
スタッフ WER	1.889%	1.732%
日本語 English WER	9.949%	9.770%
スピーカーの類似性	安定したまたはわずかに改善される

新しい制御性の表面

機能特性	API / 構文
スピーキングレート制御	`duration_factor`から、連続的な 0.5× お問い合わせ 2.0×
中国語発音	`<行\|XING2>` — ピンイン+トーン
英語発音	`<minute\|M IH1 . N AH0 T>` — CMUの携帯電話
日本語発音	`<上手\|じょうず>` — カナ
感情の強度	`emo_alpha` 感情的な強さをスケール; `emo_vector` お問い合わせ 8-float ベクトル
感情推論	テキスト自体から感情的なトーンの自動推論

導入事例

フィードバック 3.10–3.11, NVIDIA GPU, ~6 GB VRAM で bf16 — 5つのモデルの最下。
インストール:公式リポジトリをクローンする → uv sync --all-extras → ダウンロード IndexTeam/IndexTTS-2.5 Hugging フェイスまたは ModelScope から。
ウェブUI: uv run webui.py → http://127.0.0.1:7860. フィードバック API また、ローカルの Gradio デモも提供しています。
vLLMの展開レシピは含まれています — これは、高スループットサービングのための5の最も生産準備です。
補助モデル(w2v-bert-)2.0, MAskGCT のセマンティックコーデック、CAMPPlus、BigVGAN) は、最初の実行時に自動的にダウンロードします。
ComfyUIコミュニティノードが存在します。 BSAI_ComfyUI_IndexTTS-2.5 そして、 ComfyUI_JR_IndexTTS25.

知っておくべきコミュニティフィードバック: 複数のユーザーは、混在する中国語-英語のテキストが、時折英語を非安定にレンダリングし、認識できない改善を報告します。 IndexTTS2 英語ではドラマチックではありません。他は速度および多言語範囲を賞賛します。標準的な助言は1つの参照クリップ、1つの混合された言語スクリプトおよび1つの感情の指示を修理し、そして比較します 2 対比 2.5 誤解、感情の順守およびあなた自身の機械に RTF.

ユースケース:このグループで最も広い範囲

スケナリオ	実行方法	詳しくはこちら
マルチリンガルフィルムとショートフォームデュブ	明示的な持続時間制御でここに唯一のモデル(0.5×–2.0× 連続的な速度)、従って翻訳は元のタイムラインに戻って圧縮することができます	平均的な文の長さは異なります 20–40% 言語全体で、最初のパスフィットが期待できません。
オーディオブックとロングフォームナレーション	段落でチャンク, 保ちます 10% オーバーラップ、全体で1つの参照クリップを再利用	配達仕様は自動ゲートです — 以下のACXリストを参照してください。
ゲームNPCボイスアセットライン	ほぼゼロマージンコストで1つのバッチで数千のラインをオフラインで生成	実際にブロックしているのは、モデルではなく、エンジンの形式です。 — 詳しくはこちら
コールセンターバルク通知/IVR	RTF 0.20 プラスvLLMのレシピは、シングルを意味します 4090 生産の負荷を運ぶことができます	ピーク時間のキューイングは現実的です。キャッシュと通貨の天井が必要です
アラビア語、日本語、スペイン語	5つの言語と相互言語転送。 zh→ジェイスピーカーの類似性 75.82 ここのベストです	英語はまだ混合されたzh/enテキストでwobbles — それをテストして下さい
クロスリンガルポッドキャスト配布	ホストの親友を維持しながら、複数の言語に全体のショーをクローンする	広告セグメントにおけるAI開示業務のタイト化

オーディオブック:ACX配送仕様は自動ゲートです

アイテム	ACXの条件	AIの生成が通常失敗する方法
コンテナ	MP3の 192 ログイン CBRの特長	VBRとして輸出 — 即時拒絶
サンプルレート	44.1 kHz	モデルが出る 22.05 / 24 / 48 kHz; 必要性のresampling
チャンネル	モノラルかステレオ、書籍全体で一貫した	チャプター間の設定ドリフト
平均ラウドネス(RMS)	−23 dB から −18 dBの	生のAI出力は、通常、-26 お問い合わせ24 dBの — あまりにも静かな
ログイン	≤ −3 dBの	堅いconsonantsクリップへの 0 正規化後のdB
騒音フロア	< −60 dBのRMS	合成呼吸/部屋の調子はそれの上に坐ります
ファイルの長さ	≤ 120 所要時間	1つのファイルの全本
ヘッド/尾調子	0.5–1 s ヘッド, 1–5 s お問い合わせ	攻撃的なトリミングは、サンプルゼロに最初のphonemeを置く
小売サンプル	1–5 コンテンツのみ	混合クレジット
AI開示	投稿メタデータのAIナレーションを宣言	提出時間を忘れた場合

これはAIが構造上の優位性を持っている場所です。 マイクのヒス、HVACのランブル無し、実際の呼吸からの害虫無し — ノイズフロアは、周囲に沈着します。あなたの仕事はそうです ラウドネス正規化とピーク制御, 望ましくない. 逆に、悪意のある輸出を救うために消毒剤にカウントしないでください。

ゲーム:モデルではなく、エンジンブロック

フォーマット及びサンプル率

非現実的なエンジン 5 WAV を望んでいます (16-ビット, 44.1 kHz)またはOGG Vorbis。

直接コストでMP3をドロップ 200–300 ms デコードレイテンシと lip sync が消えます。

古典的な失敗:モデル出力 48 kHz、プロジェクト Audio Source は、 44.1 kHz、ラインは二重速度で再生します。

エンジン設定

UE5:サウンドクラス "Dialogue" に設定する必要があります。. デフォルト SFX クラスは 4:1 ウィスパーとフラットテンスを増幅する圧縮。

Unity: オーディオソースロードタイプ — ラインの下 10 s 記憶で圧縮された、長いラインスイッチを使用して流れます。

資産運用管理

新着情報 500 対話線, 何かを生成する前に、ネーミングスキーマを修正, e.g. CHARACTER_EMOTION_LINEID.wav.

それ以外の場合は、保存した生成よりもイベントをトリガーするためにファイルを再調整する時間を費やします。

パフォーマンス予算

以上 50–100 sシーンの不当なボイスラインは、メモリのスパイクを引き起こします。オーディオプールとLOD(遠くのNPC上で無効なリップシンク)が必要です。

ターゲットを 50–70% キャッシュヒット率: プリレンダー予測可能なビート、緊急の対話のみをライブ生成します。

Dubbing:費用映像

アプローチ	1分あたり · 中国語	ターンアラウンド	フィット
人間のスタジオのdubbing	$100–500	2–6 週刊	演劇、放送、旗艦のブランドの仕事
完全自動化されたAI	$2–20	同じ日	ショートフォームビデオ、コース、マーケティングボリューム
AI + ヒューマンレビュー	$50–200	デイリー	ブランドの感受性か調整された内容
このモデル、自撮り	≈ $0.003 (GPU のみ)	インフォメーション	パイプラインを構築します。, 労働とオプスを除外します。

境界を忘れないでください。 2.5 ここで最速のモデルですが、 コンテンツ制作 エンジン、ない インタビュー 1 — サブサブ300 ms 最初のオーディオは、カルチェジアソニック、インワールド、 ElevenLabs フラッシュ。ライブボイスエージェントで使用するには、VAD、セマンティックエンドポイント、バージインを自分でビルドし、(典型的にLiveKitまたはPipecat)すべてのステージをオーバーラップする必要があります。ネクティブなシリアルパイプラインは、常に1秒を超えたり、人間の会話はそれを許容しない — 平均ターンテイクギャップの実行 200–300 ms, 過去 700 ms 一時停止は遅延として読みます。

留学生のVerdict

使用すると コンパクトなモデルからアラビア語、日本語、またはスペイン語のクローンを作成したり、vLLMのサービングをしたり、サブタイトルロックされたワークフローの継続的なスピーキングレート制御が必要です。

詳しくはこちら お問い合わせ Bilibili モデルライセンス上記の別の書面による商用契約が必要です。 100M MAU または ¥1B 年間売上高 — ほとんどのスタートアップがヒットしませんが、企業は慎重に検討する必要があります。

5 用語集 2.28× より速く 0.5×–2.0× スピードピニイン/CMU/カナ vLLMのレシピ制限ライセンス

ヘッド・ツー・ヘッドのデータに座るところ

ここが唯一 IndexTTS CV3-Eval のモデルで、2 回(ベースと RL) 表示されます。以下は4つの最も近いライバルです。全9モデルテーブルは 06.2.

モデル	パラム	中国語(簡体) WER / SS	スタッフ WER / SS	スペイン語 WER / SS
IndexTTS2.5	0.8 B	4.36 / 77.10	5.12 / 68.06	3.75 / 76.39
IndexTTS2.5-RL	0.8 B	3.93 / 77.92	3.89 / 67.79	3.33 / 76.68
コージーボイス3-0.5B	0.5 B	3.84 / 80.01	4.88 / 74.16	4.04 / 78.85
Qwen3-TTS	1.7 B	3.27 / 73.02	5.06 / 67.17	2.87 / 73.17
MOSS-TTS-v1.5	8 B	4.02 / 72.68	4.45 / 67.46	3.83 / 71.75

モデル	ログイン→お問い合わせ WER / SS	ログイン→ツイート WER / SS	ログイン→ログイン WER / SS
IndexTTS2.5	3.62 / 63.83	5.17 / 65.48	6.57 / 74.16
IndexTTS2.5-RL	3.55 / 67.47	4.86 / 64.47	6.38 / 75.82
コージーボイス3-0.5B	3.23 / 62.79	4.58 / 64.04	—
Qwen3-TTS	5.74 / 63.04	5.15 / 68.02	36.09 / 65.71

モデル	精密加工	ソリューション RTF	利用規約
IndexTTS2.5	bf16の特長	0.2065	RTX 4090, kv cache=True
IndexTTS2 (参考)	fp16の特長	0.3257	RTX 4090
VoxCPM2 (参考)	bf16の特長	~0.30	~0.13 ナノVLLM
OmniVoice (参考)	—	0.025	H100 + カスタムカーネル; ~0.9–1.2× アップルシリコンでリアルタイム

3つのテイクアウト。 (1) デュビングスタイルのクロスリンガルワークのために、セットを獲得します — 最高のzh→お問い合わせ WER (3.55)および最もよいzh→ジェイスピーカーの類似性 (JA)75.82)、それは正確に時間制御があなたに買うアライメントです。 (2) 単元の中国類似性に勝らない — コージーボイス 3 リード 80.01 に対して 2.5-RL で 77.92, a 2.1-point ギャップ。 (3) パラメータカウントはここに保持しません — 0.8 B ビート MOSS-TTS-v1.5 お問い合わせ 8 B.

自分で実行する費用

セットアップ	RTF	GPU-時間/Mの木	オンデマンド RTX 4090	オンデマンド A100
IndexTTS2.5 (bf16)	0.2065	3.7 h	~$2.75	~$5.91
参考: VoxCPM2 (ナノVLLM)	~0.13	2.3 h	~$1.73	~$3.72

比較比較	コスト/ M 文字	複数の
ElevenLabs v3	$60–180	~22–65×
ElevenLabs フラッシュ	$50–55	~18–20×
オープンAI `tts-1`	$15	~5.5×
Google/Polly標準	$4	~1.5×

品質表よりも重要であるこのテーブルの部分: IndexTTS2.5 です。 少ないオプションのみ VRAM (~6 GB)、低い RTF (0.2065) 一度に5つの言語がすべて保持 — つまりシングル RTX 4090 生産負荷を代わりに運ぶことができます A100. 2つの現実はまだ適用します: リアルワールド RTF 通常は 2–5× 紙図よりも遅い、および工学費用(deployment、監視、retries、チャンクのステッチ)は通常超過します GPU 大きさの注文による請求書。

ライセンスおよび開示ゲート

アイテム	ステータス
コードライセンス	オープンソース
重量免許証	Bilibili モデルライセンス
商用利用	許可されるが、上記以外の書面による同意が必要です。 100M MAU または ¥1B 年間売上高
デフォルトの透かし	コメントはありません → 想定上の計画はなし
あなたが追加しなければならないもの	開示義務がある場合、AudioSeal / SynthID / C2PA; モデルはコンテンツフィルタを出荷しません
データ残余	完全にオフラインで実行

そのしきい値の高さは? 100M MAU または ¥1B (~$140M) 収益は、ほぼすべてのスタートアップと中規模のチームのためのリーチです — しかし、 大規模なプラットフォームを除外. あなたがプラットフォームであるならば、これは本物のブロッカーであり、あなたは起動前に週ではなく、先にライセンス会話月を開始する必要があります。お問い合わせ 06.5.

そうでない場合は、

中国語のみ、最大のスピーカーの類似性を追いかける → コージーボイス3-0.5B 中国語SS 80.01). ライセンスを最初に確認 — きれいだと仮定しない。
ライセンスはきれいでなければなりません → VoxCPM2 (費用は著しく弱いzhである)→エス)。
出荷できる最高ランクのオープンモデル → ステップオーディオ編集X (Apache-2.0、ブラインドのElo 1,102).
アラビア語、なし Bilibili 閾値 → このセットには何もありません。それは正確に 2.5's moat's は、

github.com/index-tts/index-tts arXiv:2601.03888 huggingface.co/インデックスチーム/IndexTTS-2.5 モデルスコープ.cn/models/IndexTeam/IndexTTS-2.5

BiliVoiceで試す

IndexTTS2.5で制作を始めますか？

このエンジンを選択した状態でテキスト読み上げを開き、自分の音声モデルで制作を始められます。

IndexTTS2.5を使うモデル一覧へ戻る