产品定位
IndexTTS 2.5 是哔哩哔哩 IndexTeam 于 2026 年 8 月开源的零样本语音克隆模型，参数量约 0.8B，面向需要快速复刻音色并生成多语言语音的开发者与研究团队。模型权重发布在 Hugging Face 与 ModelScope，采用 Bilibili Model Use License，用户可在许可范围内进行本地部署和二次开发，适合作为语音合成、语音克隆与情感迁移任务的基础工具。

核心功能
该模型支持中英日西阿五种语言的语音合成与跨语种情感迁移，能够在零样本条件下依据参考音频克隆目标音色。它新增语速控制参数 duration_factor，可在 0.5 到 2.0 范围内调节输出语速，并支持中文拼音、英语 CMU 音素和日语假名的发音精准控制，便于处理多音字、专有名词及特定读音需求，同时可通过 GRPO 强化学习改善断句、多音字与韵律自然度。

技术特点
IndexTTS 2.5 采用自回归 GPT、Flow Matching 语音到 Mel 解码器和 BigVGAN 声码器，输出采样率为 22.05kHz。相比 IndexTTS 2，它将语义编解码器帧率从 50Hz 降到 25Hz，并把 S2M 骨干换为轻量 Zipformer，实现约 2.28 倍提速。推理约需 6-8GB 显存，支持 Python 3.10-3.11。需要注意的是，长文本分段拼接处韵律可能不连贯，文本情感描述需额外加载 QwenEmotion 模型。

适用场景
该工具适合短视频配音、虚拟主播、有声内容制作、多语言语音播报、角色音色复刻和语音交互原型开发等场景。开发者可利用零样本克隆快速验证音色效果，借助语速与发音控制完成中文多音字、英文术语和日语假名等精细调整；在跨语种情感迁移需求下，也可用于内容本地化和多语种情感化表达。部署时应预留 6-8GB 显存，并针对长文本分段拼接与情感描述额外模型依赖做相应处理。