IndexTTS2 是哔哩哔哩（B站）Index 团队于 2025 年 9 月开源的下一代文本转语音（TTS）模型，被业界誉为"影视级语音合成标杆"。其核心突破在于情感表达、时长控制及音色与情感解耦，重新定义了 TTS 技术的能力边界。

核心特性

• 情感与音色解耦：将情感表达与说话人身份解耦，可分别控制音色（音色 Prompt）与情感（风格 Prompt），实现"用目标音色表达指定情绪"
• 精确时长控制：业界首个支持精确合成时长控制的自回归 TTS 模型，可指定生成 Token 数量精准控制语速，满足视频配音等音画同步需求
• 多模态情感控制：支持参考情感音频、8 维情感强度向量（开心/生气/悲伤/恐惧等）、自然语言情感描述（emo_text）多种方式驱动情感
• 零样本克隆：基于参考音频即可高质量复刻音色，中英文等多语言合成表现优秀
• 拼音发音控制：支持中文与拼音混合建模，可精确指定字词发音

适用场景

影视剧/动画配音、有声书制作、数字人语音、广告配音、情感表达丰富的播客与游戏角色等。

更多信息可参考：https://github.com/index-tts/index-tts