ARTICLE · 人工智能
B 站 indexTTS 2.5 开源：五国语言零样本配音，推理提速 2.28 倍
一语总结B 站 IndexTTS 2.5 开源，支持中英日西阿五语种零样本配音，推理提速 2.28 倍，跨语言情感迁移 MOS 达 4.18/5。
B 站 Index 语音团队在魔搭社区开源 IndexTTS 2.5，针对前版仅支持中英、推理较慢两大痛点做系统性升级。核心进展：1) 多语言扩展至五语种，通过对比三种跨语言建模策略解决同字异读难题，并构建自动化管线获取 15 万小时语料；2) 推理加速 2.28 倍（A10），靠语义 Codec 帧率 50Hz→25Hz 与 S2M 主干 U-DiT→Zipformer 组合拳实现，主观听感无损且 Zipformer 盲测偏好率 56% 胜出；3) 引入 GRPO 强化学习后训练，以 ASR WER 与说话人相似度为奖励，五语言平均 WER 降至 6.00%、相似度升至 73.63%；4) 实现情感-音色-语种解耦，仅用中英情感数据训练即让阿语等零样本语言情感 MOS 达 4.18/5，CV3-Eval 情感识别准确率 0.713 远超 CosyVoice3。模型权重、创空间体验及本地部署指南（6GB 显存即可）同步开源。
- 支持中英日西阿五语种零样本克隆，系统对比三种跨语言建模策略解决同字异读难题。
团队针对汉字在中日文中读音不同的问题，公平对比了三种建模策略，发现各有擅长且互补，并构建自动化数据管线获取 15 万小时多语言语料。
- 通过语义 Codec 帧率减半和 S2M 主干替换为 Zipformer，实现推理整体提速 2.28 倍。
语义 token 序列长度减半降低计算量，Zipformer 参数更少且主观盲测偏好率 56% 胜过 U-DiT，在 A10 上整体 RTF 显著下降且听感无损。
- 引入 GRPO 强化学习进行后训练，以 ASR WER 和说话人相似度为奖励信号，显著提升合成准确度与音色还原。
模型自我生成候选并自我进化，五语言平均 WER 降至 6.00%，平均说话人相似度升至 73.63%，英日阿语提升明显。
- 实现跨语言情感迁移，仅用中英情感数据训练即让阿拉伯语等零样本语言 MOS 达 4.18/5。
情感、音色、语种显著解耦，在 CV3-Eval 基准上中文情感识别准确率 0.713 远超 CosyVoice3 的 0.467。
- 模型权重已在魔搭社区开源，提供创空间在线体验及本地部署指南，门槛低（6GB 显存即可运行）。
官方提供完整推理代码示例，支持情绪向量控制、语速控制，方便开发者快速集成到有声书、视频配音等创作流程。
B 站 indexTTS 2.5 开源：五国语言零样本配音，推理提速 2.28 倍
B 站 Index 语音团队在魔搭社区开源 IndexTTS 2.5，针对前版仅支持中英、推理较慢两大痛点做系统性升级。核心进展：1) 多语言扩展至五语种，通过对比三种跨语言建模策略解决同字异读难题，并构建自动化管线获取 15 万小时语料；2) 推理加速 2.28 倍（A10），靠语义 Codec 帧率 50Hz→25Hz 与 S2M 主干 U-DiT→Zipformer 组合拳实现，主观听感无损且 Zipformer 盲测偏好率 56% 胜出；3) 引入 GRPO 强化学习后训练，以 ASR WER 与说话人相似度为奖励，五语言平均 WER 降至 6.00%、相似度升至 73.63%；4) 实现情感-音色-语种解耦，仅用中英情感数据训练即让阿语等零样本语言情感 MOS 达 4.18/5，CV3-Eval 情感识别准确率 0.713 远超 CosyVoice3。模型权重、创空间体验及本地部署指南（6GB 显存即可）同步开源。
文章金句
"没有银弹，三种策略各有擅长且互补。
"大道至简。
"情感，音色，语种被明显解耦了。
"每一条反馈，都是下一个版本的立项书。