IndexTTS 2.5

IndexTTS 2.5 är den senaste versionen av talsyntesmodellen IndexTTS från Index-teamet på den kinesiska videoplattformen bilibili. Den kan klona en röst utifrån ett enda kort referensklipp ("zero-shot") och läsa upp valfri text med den rösten. Jämfört med IndexTTS 2 har den fått tre nya språk, japanska, spanska och arabiska, utöver kinesiska och engelska, och den kan föra över en röst och en känsla mellan språk.

Röst och känsla hålls isär, så man kan ange ett klipp för klangen och ett annat, eller en text, för känslan, och styra hur stark känslan ska vara. Talhastigheten går att ändra mellan halva och dubbla längden, och uttalet kan styras exakt med pinyin för kinesiska, CMU-fonem för engelska och kana för japanska. Modellen bygger på en GPT-liknande stomme på cirka 0,8 miljarder parametrar, en flow matching-avkodare och vokodern BigVGAN, och efterträning med förstärkningsinlärning (GRPO) har förbättrat uttal och naturlighet.

Enligt teamet är modellen 2,28 gånger snabbare än IndexTTS 2, bland annat för att ljudet kodas med 25 i stället för 50 bildrutor per sekund, medan felfrekvens och röstlikhet är jämförbara. Demosidan jämför den med CosyVoice 3, Fish Audio S2 Pro, MOSS-TTS v1.5, OmniVoice och VoxCPM2. Vikterna finns på Hugging Face och ModelScope under bilibilis egen modellicens: den tillåter kommersiell användning, men företag med över 100 miljoner aktiva användare per månad eller över 1 miljard yuan i omsättning måste be om en separat licens.