B站的一款基于 XTTS 和 Tortoise 的 GPT 风格文本转语音（TTS）模型 IndexTTS 正式发布。该系统在处理中文文本时，具备独特的拼音纠正汉字发音能力，并能够通过标点符号在任意位置精准控制停顿。这一创新的技术使得文本转语音的效果更加自然流畅，受到了广泛关注。
IndexTTS 系统经过数万小时的数据训练，已实现业内领先的性能，超越了当前流行的 TTS 系统，包括 XTTS、CosyVoice2、Fish-Speech 和 F5-TTS 等。系统的多个模块经过增强，特别是在扬声器条件特征表示和音频质量优化方面进行了深度改进。通过引入混合建模的方式，IndexTTS 能够快速纠正误读的汉字，提升了用户的使用体验。
该模型采用了最新的条件编码器和基于 BigVGAN2的语音解码器，不仅提高了训练的稳定性，还增强了声音音色的相似性及音质。团队表示，他们已经在 arXiv 上提交了相关论文，并计划在未来几周内发布模型参数和代码。此外，IndexTTS 还提供了多种测试集，包括多音节词汇以及主观和客观评测集，供研究者进行深入分析。
在多项评测中，IndexTTS 表现出色，特别是在字词错误率（WER）和扬声器相似性(SS)方面，均优于许多同行模型。例如，在普通话的测试中，IndexTTS 的字词错误率仅为1.3%，远低于其他模型的表现，显示出其强大的准确性和稳定性。同时，在音质评测中，IndexTTS 的 MOS 评分也达到4.01，展示了其出色的音质和音色。
随着技术的不断进步和应用场景的扩展，IndexTTS 的发布标志着文本转语音技术向更高水平迈进。有关该系统的更多信息，用户可以联系相关团队以获取详细的使用体验和技术支持。
项目:https://github.com/index-tts/index-tts
划重点:
🌟 IndexTTS 是基于 XTTS 和 Tortoise 的 GPT 风格 TTS 模型，能够纠正汉字的发音并控制停顿。
📊 系统经过数万小时训练，超越了多个现有的流行 TTS 系统，展现出行业领先性能。
🔍 IndexTTS 在多项评测中表现优异，字词错误率和音质均优于其他模型，显示其强大优势。