IndexTTS は B站が発表した最新のテキスト読み上げ(TTS)モデルで、ピンインを使って漢字の発音を矯正し、句読点によって任意の位置でポーズを制御できます。中国語のシーンにおいて卓越した性能を発揮し、業界記録を更新しました。IndexTTS は中国語文字-ピンイン混合モデリング、精密なポーズ制御、クロスモーダル最適化などの先進技術により、音声生成の精度と自然さを大幅に向上させました。

IndexTTS システムは数万時間のデータトレーニングを経て、業界最先端の性能を実現し、現在流行している TTS システム(XTTS、CosyVoice2、Fish-Speech、F5-TTS など)を超えています。システムの複数のモジュールが強化され、話者条件特徴表現と音声品質の最適化において深い改善が行われました。ハイブリッドモデリングの導入により、IndexTTS は誤読した漢字を迅速に矯正でき、ユーザーの使用体験を向上させました。
本日共有する V3 バージョンでは、より強力な IndexTTS-1.5 モデルが更新され、モデルの安定性と英語言語性能が著しく向上しました。このバージョンは中国語音声生成において優れた性能を発揮するだけでなく、言語サポートも拡大し、応用シーンがより広範になりました。
IndexTTS の成功は、中国語の言語特性に対する深い理解と革新的な応用にあり、教育、エンターテインメント、ニュース放送など、高精度で自然な音声生成が求められるシーンに適しています。その精密なポーズ制御と多音字処理能力により、中国語の読み上げと音声合成の分野で顕著な優位性を持っています。
IndexTTS の使用チュートリアルは以下の通りです。N カードの使用を推奨し、VRAM 4G 以上、50 シリーズのグラフィックカードに対応、CUDA 12.8 ベースです。
参照音声をアップロードして、モデルがより良い音声を生成できるようにします。
テキスト入力ボックスに音声に変換したいテキスト内容を入力します。
テキストの長さに応じて「通常推論」と「バッチ推論」を選択します。実測では「バッチ推論」は VRAM を最大限に活用し、生成速度が 10 倍以上向上しますが、安定性は「通常推論」よりやや劣ります。必要に応じて各自で調整してください。