B站开源IndexTTS-2.0：突破自回归TTS时长与情感控制瓶颈

近日，哔哩哔哩（B站）Index团队宣布开源其自主研发的IndexTTS-2.0系统。这一情感可控、时长可调的自回归零样本文本转语音（TTS）技术，被视为零样本TTS迈向实用化的重要里程碑。

在语音合成领域，精准的时长控制和自然的情感表达一直是难题。IndexTTS-2.0通过两项核心创新解决了这些问题：
1. 时间编码机制：首次在自回归TTS中引入时间编码，显著提升了语音时长控制的精度，使语音节奏更自然；
2. 音色与情感解耦建模：通过解耦建模，支持多维度情感调节。用户可通过情感参考音频、情感向量或文本描述等方式，灵活调控语音情感，大幅提升生成语音的表现力。

该系统具备极高的灵活性，适用于AI配音、有声读物、视频翻译、播客制作等场景，极大拓展了语音合成的应用范围。尤其在跨语言内容本地化方面，IndexTTS-2.0表现出色，为全球内容出海提供了技术支持。无论是中文视频的外语化还是外语内容的中文化，都能保留原声风格与情感，提供自然沉浸的听觉体验，大幅降低优质内容跨语言传播的门槛。

目前，IndexTTS-2.0已全面开源，包括论文、代码、模型权重及在线体验页面。团队表示，未来将持续优化性能，并释放更多资源，与开发者社区共建开放的语音技术生态，推动多语种交流与文化传播。

相关链接：
GitHub: index-tts/index-tts
论文: arXiv:2506.21619
Demo展示: IndexTTS-2 Demo
模型下载: 魔搭社区 | Hugging Face