IndexTTS-2

IndexTTS-2 ТТС

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

Запиши се. за 5.000 ограничувања на знаци

Опакувајте го вашиот текст во SSML ознаки за прецизна контрола:

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

Означувања на избраниот модел кои го разбира — кликнете за да го пуштите еден во вашиот текст каде што се случува:

Овој модел чита обичен текст, па значи, во редовните ознаки се игнорираат. За емоции базирани на таг, префрли се на изразителен модел како што е Орфеус или Барк.

Дефинирај ги сопствените изговори (слов = изговор):

-12 +12
0.5x 2.0x
Слободен со Пајпер, ВИТС, Мелотс
Тука ќе се појави вашиот генериран звук. Изберете модел, внесете текст и кликнете на Генерирај.
Аудио генериран успешно
0:00
Симни аудио Симнување.srt Врската истекува за 24 часа
Слободна ставка: лична употреба. Комерцијална дозвола од 5 долари/мо
Кажи им на пријателите!

За 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.

Најдобро за: Emotionally expressive content, audiobooks, virtual assistants

Прелистувај ги сите IndexTTS-2 гласови

На еден поглед

Развивач
Index Team
Лиценца
Bilibili Model License
Ниво
standard
Брзина
medium
Гласовно клонирање
Да.
Јазици
English, Chinese
Макс. знаци
1000

IndexTTS-2 гласови

Chinese Default

Chinese
Стандардно Neutral

Default

English
Стандардно Neutral

IndexTTS-2 TTS — Прашања

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.
← Сите гласови