IndexTTS-2

IndexTTS-2 ТТС

A zero-shot TTS model with fine-grained emotion control via emotion vectors, no emotion-specific training data required.

Жазылу 5000 таңба шегі

Мәтінді SSML тегтермен тасымалдау үшін нұсқау:

<speak><prosody rate="slow">Slow speech</prosody></speak>

Таңдалған үлгі түсінетін тегтер - біреуін мәтінге түсіру үшін түртіңіз:

Бұл модель қарапайым мәтін оқиды, сондықтан жол ішіндегі тегтер елеусіз қалып жатыр. Тегтерге негізделген эмоция үшін Orpheus не Bark сияқты өрнекті модельге ауысыңыз.

Өзінің дыбысын анықтау (сөз = дыбысы):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS-пен тегінName
Бұл жерде құрылған аудио файлыңыз көрсетіледі. Үлгіні таңдап, мәтінін келтіріп, Құру дегенді басыңыз.
Аудио сәтті құрылды
0:00
Аудио жүктеп алу .srt жүктеп алу Сілтеменің мерзімі 24 сағаттан кейін аяқталады
Ұлттық құрама: Ұлттық құрама. Коммерциялық лицензия $5/ай-дан
Бұл дауысты өзіңіздің дауысыңыз қылып қойыңыз 30 секундта дауысты көшіріп алу
TTS.ai ұнады ма? Достарыңызға хабарлаңыз!

& Бұл туралы IndexTTS-2

IndexTTS-2, from the Index Team, is an expressive text-to-speech system that pairs zero-shot voice synthesis with precise emotional control. Rather than relying on emotion-labeled training data, it uses emotion vectors to dial in tones like happy, sad, angry, or fearful independently of the voice itself. Built on a Qwen2 backbone with BigVGAN as the vocoder, it supports English and Chinese and can clone a voice from roughly five seconds of reference audio. It suits audiobooks, virtual assistants, and any content where the same voice needs to shift emotional register. Its weights use the Bilibili Model License, which permits commercial use below large usage and revenue thresholds.

Келесіге ең қолайлы: Emotionally expressive content, audiobooks, virtual assistants

Барлығын қарау IndexTTS-2 дауыс

Бір қарапайым

Жасаушы
Index Team
Лицензия
Bilibili Model License
Түр
standard
Жылдамдығы
medium
Дыбысын көшіру
Иә
Тілдер
English, Chinese
Макс. таңбалар саны
1000

IndexTTS-2 дауыс

Chinese Default

Chinese
Әдетті Neutral

Default

English
Әдетті Neutral

IndexTTS-2 ТТС - ЖАҚСЫ СҰРАҚТАР

It uses emotion vectors that let you specify tones such as happy, sad, angry, or fearful without needing emotion-specific training data, and the emotional expression is controlled independently from the voice identity.

Yes. It performs zero-shot voice cloning from a short reference, typically around five seconds of audio, in English or Chinese.

Its weights are released under the Bilibili Model License, which allows commercial use for products below defined user and revenue thresholds. Larger deployments should review the license terms.
← Барлық дауыстар