index-tts

IndexTTS：工业级可控高效零样本文本转语音系统

👉🏻 IndexTTS 👈🏻

[HuggingFace 演示] [ModelScope 演示]
[论文] [示例音频]

IndexTTS 是一款基于 XTTS 和 Tortoise 的 GPT 风格文本转语音 (TTS) 模型。它能够通过拼音纠正汉字发音，并通过标点符号在任意位置控制停顿。我们对系统的多个模块进行了增强，包括改进说话人条件特征表示，以及集成 BigVGAN2 以优化音频质量。经过数万小时数据的训练，我们的系统实现了业界领先的性能，超越了当前流行的 TTS 系统，如 XTTS、CosyVoice2、Fish-Speech 和 F5-TTS。
体验 IndexTTS：请发送邮件至 [email protected] 获取详细信息。

联系我们

QQ群（二群）：1048202584
Discord：https://discord.gg/uT32E7KDmy
简历投递：[email protected]
欢迎大家来交流讨论！

📣 最新动态

2025/05/14 🔥🔥 发布 IndexTTS-1.5 版本，显著提升模型稳定性及英语表现。
2025/03/25 🔥 发布 IndexTTS-1.0 模型参数与推理代码。
2025/02/12 🔥 论文提交至 arXiv，并发布演示示例和测试集。

🖥️ 技术方案

IndexTTS 的整体架构如下所示。

WER	test_zh	test_en	test_hard
Human	1.26	2.14	-
SeedTTS	1.002	1.945	6.243
CosyVoice 2	1.45	2.57	6.83
F5TTS	1.56	1.83	8.67
FireRedTTS	1.51	3.82	17.45
MaskGCT	2.27	2.62	10.27
Spark-TTS	1.2	1.98	-
MegaTTS 3	1.36	1.82	-
IndexTTS	0.937	1.936	6.831
IndexTTS-1.5	0.821	1.606	6.565

模型	aishell1_test	commonvoice_20_test_zh	commonvoice_20_test_en	librispeech_test_clean	平均
Human	2.0	9.5	10.0	2.4	5.1
CosyVoice 2	1.8	9.1	7.3	4.9	5.9
F5TTS	3.9	11.7	5.4	7.8	8.2
Fishspeech	2.4	11.4	8.8	8.0	8.3
FireRedTTS	2.2	11.0	16.3	5.7	7.7
XTTS	3.0	11.4	7.1	3.5	6.0
IndexTTS	1.3	7.0	5.3	2.1	3.7
IndexTTS-1.5	1.2	6.8	3.9	1.7	3.1

模型	aishell1_test	commonvoice_20_test_zh	commonvoice_20_test_en	librispeech_test_clean	平均
Human	0.846	0.809	0.820	0.858	0.836
CosyVoice 2	0.796	0.743	0.742	0.837	0.788
F5TTS	0.743	0.747	0.746	0.828	0.779
Fishspeech	0.488	0.552	0.622	0.701	0.612
FireRedTTS	0.579	0.593	0.587	0.698	0.631
XTTS	0.573	0.586	0.648	0.761	0.663
IndexTTS	0.744	0.742	0.758	0.823	0.776
IndexTTS-1.5	0.741	0.722	0.753	0.819	0.771

模型	韵律	音色	音质	平均
CosyVoice 2	3.67	4.05	3.73	3.81
F5TTS	3.56	3.88	3.56	3.66
Fishspeech	3.40	3.63	3.69	3.57
FireRedTTS	3.79	3.72	3.60	3.70
XTTS	3.23	2.99	3.10	3.11
IndexTTS	3.79	4.20	4.05	4.01

项目详情

IndexTTS：工业级可控高效零样本文本转语音系统

👉🏻 IndexTTS 👈🏻

联系我们

📣 最新动态

🖥️ 技术方案

模型下载

📑 性能评估

使用说明

环境配置

Web 演示界面

示例代码

🤗HuggingFace	ModelScope
IndexTTS	IndexTTS
😁IndexTTS-1.5	IndexTTS-1.5