简介
IndexTTS 是哔哩哔哩（bilibili）团队开源的中文语音合成模型，目标是在开源生态里做出接近商业级的中文 TTS 表现力。它最大的特点是「可控」：除了常见的声音克隆，还原生支持情感控制和字级别的时长控制，这两点让它很适合做视频配音、有声内容与语音 Agent。
核心能力
零样本音色克隆：只要提供几秒到十几秒的参考音频，就能复刻说话人的音色，不需要额外训练，适合做多角色配音或品牌声音。
情感控制：可以用参考音频或提示来描述情绪（如高兴、悲伤、愤怒、低沉），生成的语音不只是一段「平铺直叙」的朗读，而是带有明显的情感走向。
时长控制：能指定某个字、词或句子的发音时长，这在给视频做配音时非常实用——可以让生成的语音和画面节奏、口型对齐，而不必反复剪音频。
多语言与稳定性：中文为核心，兼顾英文等语种，并针对长文本合成时的漏字、重复等问题做了工程优化。
怎么用
- 在 GitHub 仓库按说明安装依赖（推荐带 GPU 的环境）；
- 通过仓库提供的 WebUI 直接试玩：上传参考音频 + 输入文本 + 选情绪；
- 生产环境用 Python API 调用，把推理服务包装成 HTTP 接口，接入自己的配音或 Agent 流水线；
- 音色参考音频建议使用干净、无背景音乐的录音，效果会明显更好。
适合谁
适合需要中文高质量语音的自媒体、视频创作者、有声书制作方，以及搭建语音 Agent、想控制成本并把 TTS 放在自己服务器上的开发者。如果你只想要「开箱即用的云端 API」，可以同时看看 Fish Audio、MiniMax Speech 或 Inworld TTS 这类托管服务。
