- 開発元
- bilibili IndexTTS
- 対象版
- v2.0.0 / IndexTTS-2
- 感情入力
- 音声・8 次元ベクトル・文章
- 推論入口
- indextts.infer_v2.IndexTTS2
注目したい強み
論文と公開機能の範囲
論文では精密な長さ制御を提案していますが、v2.0.0 は未開放と明記しています。この公開版に対し、秒数入力だけで厳密な映像同期が可能とは説明しません。
公式の出典 [1]台詞に合う感情強度を探す
公開例では emo_audio_prompt、emo_vector、emo_text を使います。強い感情では発音と連続性も確認し、文章モードでは控えめな強度から試します。
中国語の漢字・拼音混合入力も引き続き利用できますが、有効な拼音語彙の範囲に限られます。
公式の出典 [1]利用・導入方法
- Git、Git LFS、uv と対応する GPU/PyTorch 環境を用意します。下のコマンドは v2.0.0 を指定しています。
- WebUI 依存と IndexTeam/IndexTTS-2 を取得します。初回起動で補助モデルの追加ダウンロードが発生する場合があります。
- uv run webui.py を起動して、話者参照と感情入力を選びます。コード統合は同版の IndexTTS2 の例を使います。
IndexTTS 2bash
git clone --branch v2.0.0 https://github.com/index-tts/index-tts.git
cd index-tts
git lfs install
git lfs pull
uv sync --extra webui
uv tool install 'huggingface-hub[cli]'
hf download IndexTeam/IndexTTS-2 --local-dir checkpoints
uv run webui.py利用前に知っておくこと
- v2.0.0、後の 2.x、論文上の実験機能を同じものとして扱わないでください。
- ランダムサンプリングは音色の類似性を下げる場合があります。感情と同時に声の一致・明瞭さも比較します。
適した用途
ゲーム人物、感情のある台詞、物語、同じ声で複数の感情を表現する配音に向いています。
公式資料・出典
DS Speech は現在 Qwen-Audio-3.0-TTS をオンライン提供しています。ほかのモデルは学習・セルフホスト向けの資料として紹介しています。