IndexTTS-2.5: 5言語対応のゼロショットTTSモデル、感情制御を搭載

概要

IndexTTS-2.5は、GPTバックボーンを基盤とする自己回帰型ゼロショットTTSモデルで、フローマッチング方式の音声-to-メルデコーダとBigVGANボコーダを組み合わせています（GPTバックボーンは約0.8Bパラメータ）。参照音声プロンプトとテキストから22.05kHzの音声を合成し、クローンした音色を維持しながら感情を独立して制御できます。

IndexTTS-2と比較して、新バージョンでは中国語と英語に加えて日本語、スペイン語、アラビア語を追加サポートし、推論が高速化し、話速制御に対応し、発音の制御性も向上しています。

主な特徴

• ゼロショット音声クローン：単一の参照音声クリップから声をクローン。ファインチューニングは不要です。
• 5言語対応：中国語、英語、日本語、スペイン語、アラビア語。クロスリンガル音声転送に対応（クローンした声で対応する全言語を話せます）。
• 感情制御：音色から分離された8つの浮動小数点値からなる感情ベクトル [happy, angry, sad, afraid, disgusted, melancholic, surprised, calm] により、音声の感情表現を調整します。
• 話速制御：合成音声の話す速さを調整できます。
• 発音制御：中国語のピンイン、英語のCMU音素、日本語のかなを <word|reading> 表記でインライン指定でき、正確な発音を実現できます。
• 約6GBのVRAM：bf16推論により、コンシューマー向けGPUで動作します。

ComfyUIサポート

IndexTTS-2.5はComfyUIのコアには組み込まれていませんが、コミュニティ製のカスタムノードが利用可能です。

• BSAI_ComfyUI_IndexTTS-2.5：ComfyUI/custom_nodes/ にインストールすることで、ComfyUIグラフからIndexTTS-2.5を実行できます。
• ComfyUI_JR_IndexTTS25：独自のWebUIを備えた代替コミュニティノードパックです。

入手方法

モデルは推論ライブラリと設定ファイルとともにHuggingFaceで公開されています。公式の IndexTTS-2.5 Demo space（Gradio）ではコード不要のインターフェースを利用でき、コードリポジトリは vLLM recipes による本番環境へのデプロイにも対応しています。

git clone https://github.com/index-tts/index-tts.git && cd index-tts
pip install -U uv && uv sync --all-extras
hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints

補助モデル（w2v-bert-2.0、MaskGCTセマンティックコーデック、CAMPPlus、BigVGAN）は初回実行時に自動的にダウンロードされます。論文は arXiv:2601.03888 から参照できます。