1. チュートリアルの概要

IndexTTS-2は、Bilibili Voiceチームが2025年6月にオープンソース化した新しいテキスト読み上げ（TTS）モデルです。このモデルは感情表現と継続時間制御において大きな進歩を遂げ、正確な継続時間制御をサポートする初の自己回帰TTSモデルです。ゼロサンプル音声クローニングをサポートし、1つの音声ファイルで音色、リズム、話し方を正確に再現でき、複数の言語をサポートしています。IndexTTS-2は感情的な音色分離制御を実装しており、ユーザーは音色と感情のソースを個別に指定できます。このモデルはマルチモーダルな感情入力機能を備え、感情参照音声、感情説明テキスト、または感情ベクトルによる感情制御をサポートしています。関連する論文結果は「IndexTTS2: 感情表現と持続時間制御を備えた自己回帰ゼロショットテキスト読み上げの画期的進歩”。

このチュートリアルでは、コンピューティング リソースとして単一の RTX 5090 グラフィック カードを使用します。

2. エフェクト表示

音声参照と同じ

感情参照音声を使用する

感情ベクトルを使う

テキストの説明を使用して感情をコントロールする

3. 操作手順

1. コンテナを起動します

2. 使用手順

「Bad Gateway」と表示される場合、モデルが初期化中であることを意味します。モデルが大きいため、2〜3分ほど待ってページを更新してください。

Safari ブラウザを使用する場合、オーディオは直接再生されない場合があり、再生する前にダウンロードする必要があります。

1. 音声参照と同じ

具体的なパラメータ:

• 高度なパラメータ設定:
  • do_sample: サンプリングを実行するかどうか。
  • 温度: サンプリング中の確率分布の滑らかさを制御します。
  • top_p: カーネル サンプリング。
  • top_k: 各生成ステップで、最も高い確率を持つ K 個のトークンのみが考慮されます。
  • num_beams: ビーム検索幅。
  • repetition_penalty: 繰り返しペナルティ。モデルが同じトークンを繰り返し生成する確率を減らします。
  • length_penalty: 長さペナルティ。モデルが長いシーケンスまたは短いシーケンスを生成することを推奨または抑制します。これは主に、num_beams > 1 が使用されている場合に有効です。
  • max_mel_tokens: 生成されるトークンの最大数。

2. 感情参照音声を使用する

3. 感情ベクトルを使う

感情制御パラメータ:

• 幸せ、嫌悪、怒り、憂鬱、悲しみ、驚き、恐怖、落ち着き：これらは8つの基本的な感情の次元に対応しています。各スライダーの値（通常は0.0～1.0）は、最終的なスピーチに反映させたい感情の強さを示します。

4. テキストの説明で感情をコントロールする

引用情報

このプロジェクトの引用情報は次のとおりです。

@article{zhou2025indextts2,
  title={IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech},
  author={Siyi Zhou, Yiquan Zhou, Yi He, Xun Zhou, Jinchao Wang, Wei Deng, Jingchen Shu},
  journal={arXiv preprint arXiv:2506.21619},
  year={2025}
}
@article{deng2025indextts,
  title={IndexTTS: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System},
  author={Wei Deng, Siyi Zhou, Jingchen Shu, Jinchao Wang, Lu Wang},
  journal={arXiv preprint arXiv:2502.05512},
  year={2025},
  doi={10.48550/arXiv.2502.05512},
  url={https://arxiv.org/abs/2502.05512}
}