IndexTTS-2

IndexTTS-2 TTS

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

Підписатися обмеження на 5,000 символів

Переносити ваш текст до міток SSML для точного керування:

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

Додати позначки емоцій доставки впливу (відносна підтримка model):

Ця модель читає простий текст, отже теґи вбудований буде проігноровано. Для емоцій, заснованих на мітках, перемкніться на модель експресивного вираження, на зразок Orpheus або Bark.

Визначити нетипові вимови (слово = вимова):

-12 +12
0.5x 2.0x
Вільно з Пайпером, VITS, Melotts
Тут з' явиться створений вами звуковий файл. Оберіть модель, введіть текст і натисніть кнопку Створити.
Звук успішно створено
0:00
Звантажити аудіо Звантажити. str Зв' язок закінчується через 24h
Вільний наручник: особисте використання. Комерційна ліцензія з $5/mo
У режимі низького зменшення вільного символу Отримати 200К символів щомісяця або одночасно 100К пачки за 5 доларів
Зробити це вашим власним голосом Клонувати голос за 30 секунд
Любити TTS.ai?

Про програму 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.

Найкраще для: Emotionally expressive content, audiobooks, virtual assistants

Перегляд всього IndexTTS-2 голоси

На перший погляд

Розробник
Index Team
Ліцензія
Bilibili Model License
Тір
standard
Швидкість
medium
Клонування голосів
Так.
Мови
English, Chinese
Макс. символи
1000

IndexTTS-2 голоси

Chinese Default

Chinese
Стандартний Neutral

Default

English
Стандартний Neutral

IndexTTS-2 ТЖИ · СО

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.
← Всі голоси