IndexTTS 本地安装入门：Mac/Windows 部署零样本语音克隆

2026-08-22 开发者项目

IndexTTS 是 bilibili 开源的高质量零样本 TTS，一段参考音频即可克隆音色。本文为入门篇：讲清它是什么、各代版本区别、以及在 Windows / Mac 上怎么本地安装（含 Mac 必须用 --extra webui、bigvgan 断点续传的坑）。想知道值不值得用、Mac 实测怎样，见文末实测评测。

💡 快速判断B 站开源的高质量零样本语音合成方案，一段参考音频即可克隆音色，2.5 版把中英日西阿五语、情感控制、语速和发音控制集于一身，还支持本地 WebUI 与 vLLM 生产部署，适合做配音、数字分身和内容创作的个人或团队。安装依赖 uv 管理，半精度推理能明显降低显存占用；模型权重同时发布在 HuggingFace 和 ModelScope，国内下载没有障碍。需要注意的是它用的是 bilibili 模型使用许可协议而非标准开源协议，商用前要确认授权边界。

🔎 想判断「值不值得用 / Mac 上实测体验如何」？ 👉 去实测评测篇 —— 那篇是我们的真实部署体验和踩坑记录。

这是什么

IndexTTS 是 bilibili 团队开源的高质量零样本文本转语音（TTS）系统，官方定位为「工业级可控、高效的零样本文本转语音系统」：只需一段参考音频，就能克隆出该音色朗读任意文本。

最新发布的 IndexTTS-2.5（2026 年 8 月 10 日全球发布）支持中文、英文、日语、西班牙语和阿拉伯语五种语言，具备细粒度情感控制、语速控制、发音控制（拼音 / CMU 音素 / 日语假名）能力，推理速度较上一代 IndexTTS-2 更快，同时保持跨语言合成与音色-情感解耦。

模型家族

模型	发布时间	要点
IndexTTS-2.5	2026/08/10	五语支持（中英日西阿）、情感/语速/发音控制、推理更快、可 vLLM 部署
IndexTTS-2	2025/09/08	首个支持精确合成时长控制的自回归 TTS 模型，支持可控与非可控模式，多模态情感控制
IndexTTS-1.5	2025/05/14	显著提升模型稳定性及英文表现
IndexTTS-1.0	2025/03/25	开放模型权重与推理代码

各代模型权重均同时发布在 HuggingFace 与 ModelScope，并提供在线演示页与 Studio 试用空间。

快速开始

环境准备与安装

项目使用 uv 管理依赖环境，这是保证安装可靠的必要工具。先克隆仓库再同步依赖：

git clone https://github.com/index-tts/index-tts.git && cd index-tts
pip install -U uv
uv sync --all-extras          # 仅 Windows / Linux 有 N 卡时适用

该命令会自动创建 .venv 虚拟环境并安装正确版本的 Python 与全部依赖。下载缓慢时可选用国内镜像（阿里云 / 清华 PyPI）。可选功能：--extra webui 安装 WebUI 支持（推荐）、--extra deepspeed 安装 DeepSpeed 加速（部分环境可加速推理，但效果因硬件而异，建议开关对比实测）。

⚠️ Mac / Apple Silicon 必看：uv sync --all-extras 会连带拉取 deepspeed、flash-attn 这类 CUDA-only 包，在 Apple Silicon 上必然安装失败。Mac 请用下面这条：

# Mac（Apple Silicon）实测正确姿势
cd index-tts
uv sync --extra webui --default-index "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"

Windows 注意：DeepSpeed 在部分 Windows 环境较难安装，可去掉 --all-extras 手动添加所需功能；如遇 CUDA 相关报错，需安装 NVIDIA CUDA Toolkit 12.8 及以上版本。

下载模型

通过 uv tool 安装下载工具后，HuggingFace 与 ModelScope 二选一：

uv tool install "huggingface-hub"
hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints

# 或
uv tool install "modelscope"
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir checkpoints

示例音频会在首次运行时按需自动下载，无需 Git LFS。网络访问 HuggingFace 较慢时，可提前设置镜像 export HF_ENDPOINT="https://hf-mirror.com"。

使用方式

Web 演示

uv run webui.py          # IndexTTS-2.5（默认）
uv run webui.py --version 2 --model_dir ./checkpoints_2   # IndexTTS-2

浏览器访问 http://127.0.0.1:7860 即可。可通过命令行参数开启 BF16/FP16 半精度推理（推理更快、显存占用更低、质量损失极小）、DeepSpeed 加速与 CUDA 内核编译加速。注意：所有 uv 命令会自动激活项目虚拟环境，不要手动激活后再运行，否则可能导致依赖冲突。

vLLM 部署

生产环境部署参考官方 IndexTTS 的 vLLM 部署方案。

Python 脚本调用

初始化（IndexTTS-2.5 使用 infer_v2_5 模块，多语言合成需指定语言参数）：

from indextts.infer_v2_5 import IndexTTS2
tts = IndexTTS2(cfg_path="checkpoints/config.yaml", model_dir="checkpoints", use_bf16=True)

# 单一参考音频音色克隆
tts.infer(spk_audio_prompt='examples/voice_01.wav', text=text, lang="EN", output_path="gen.wav", verbose=True)

情感控制（重点能力）

IndexTTS 的情感控制是它的核心卖点之一，提供从粗到细的多种控制方式：

独立情感参考音频：emo_audio_prompt 传入一段带情绪的声音，控制输出情感
情感强度调节：emo_alpha 调节情感影响强度，范围 0.0–1.0，默认 1.0
8 维情感向量：不依赖参考音频，直接指定 [高兴, 愤怒, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静] 各维强度
文本自动情感：use_emo_text=True 让输入文本自动转换为情感向量，官方建议 emo_alpha 设为 0.6 左右（或更低）获得更自然的语音。⚠️ 但实测做自然叙述配音（旁白 / 口播 / 台词）时，开启反而语速乱、语气怪，建议关闭——这个功能更适合需要夸张情绪的段子。详见实测评测篇
显式情感描述：emo_text 直接给情感描述文本（如「你吓死我了！你是鬼吗？」），实现内容与情感的分别控制
随机性开关：use_random 开启随机采样（默认关闭，开启会降低音色克隆还原度）

语速与发音控制

语速：duration_factor 控制时长倍数，范围 0.5–2.0，大于 1.0 放慢、小于 1.0 加快
发音控制（IndexTTS-2.5）：支持拼音 / CMU 音素 / 日语假名的字符替换写法，指令跟随能力更好，例如：

他在银<行|XING2>里<行|HANG2>走了半天，发现这笔业务办不<行|HANG2>。

He had a <minute|M IH1 . N AH0 T> to examine the <minute|M AY0 . N UW1 T> details of the contract.

发音控制（IndexTTS-2）：支持中文字符与拼音混合建模，输入包含特定拼音标注的文本来触发（仅支持中文合法拼音，参考 checkpoints/pinyin.vocab）

评测结果

基于 CV3-Eval 测试集的零样本 TTS 评测中（阿拉伯语使用内部测试集），IndexTTS-2.5-RL（0.8B 参数）在中文 WER 3.93 / 相似度 77.92 的表现优于 VoxCPM2（2B）、OmniVoice（0.8B）、Moss-TTS 1.5（8B）、Qwen3-TTS（1.7B）等对比模型；跨语言评测（中文提示 → 英语/西语/日语/阿拉伯语）中同样领先。推理速度方面，RTX 4090 上 IndexTTS-2.5 bf16 整体 RTF 约 0.2（2.5 fp32 与 2.0 fp16 约 0.33–0.37），用时更短。

社区与联系

官方渠道仅有 GitHub 仓库（其他任何网站或服务均非官方提供）。社区：QQ 群 663272642（4 群）、1013410623（5 群）；Discord 与邮箱 [email protected]（商业合作）。

项目信息

项目主页：index-tts/index-tts
开源协议：bilibili 模型使用许可协议（非标准 OSI 开源协议，使用前请阅读免责声明）
论文：IndexTTS 2.5 Technical Report（arXiv 2601.03888）；IndexTTS2（arXiv 2506.21619）；IndexTTS（arXiv 2502.05512）
模型权重：HuggingFace（IndexTeam/IndexTTS-2.5 等）+ ModelScope 双平台发布
在线体验：官方 Demo 页、ModelScope Studio、HuggingFace Space 均有试用入口
依赖生态：基于 tortoise-tts、XTTSv2、BigVGAN、wenet 等项目构建

👉 还是拿不定主意？ 想判断「这工具到底值不值得你花时间去装、Mac 上体验如何」，直接看我们实测了一周的评测：IndexTTS-2.5 值得用吗？Mac 实测一周。