WARNING

当前文档由 AI 翻译生成，若发现术语或表述不准确，请查看英文原文。

使用 IndexTTS2 克隆语音

IndexTTS2 是一个零样本文本转语音（TTS）系统，可以从短音频参考生成自然语音。它将说话人身份与情感分离，让你可以独立控制语音音色、说话风格和语速。

在 Olares 上运行 IndexTTS2 可以将你的语音数据和生成的音频完全保留在你自己的硬件上。

使用本指南快速测试 IndexTTS2 的内置示例语音，从你自有的参考音频克隆语音，或调整生成结果的情感设置。

学习目标

在本指南中，你将学习如何：

• 安装 IndexTTS2。
• 使用内置示例语音或你自己的参考音频从文本生成语音。
• 调整情感设置以改变生成语音的情感基调。

Prerequisites

• Olares 运行在配备 NVIDIA GPU 的设备上（最低 9 GB VRAM）。
• 设备使用 x86_64（amd64）处理器。
• 你有稳定的网络连接用于初始模型下载。

安装 IndexTTS2

1. 打开 Market，搜索 "IndexTTS2"。

   

2. 点击 Get，然后点击 Install，等待安装完成。

3. 打开 IndexTTS2。

首次启动时，IndexTTS2 从 Hugging Face 下载所需的模型文件，然后在本地初始化它们。这可能需要几分钟，具体取决于你的网络速度和设备性能。

如果下载未完成或页面长时间卡住，请检查你的网络是否可以访问 Hugging Face，然后重新打开 IndexTTS2 并重试。

生成语音

IndexTTS2 提供两种入门方式：

• 使用内置示例语音快速测试应用。
• 使用你自己的参考音频克隆特定语音。

使用示例语音

使用内置示例快速测试语音合成，无需准备你自己的音频。

1. 在 Examples 中，选择一个样本语音。

2. 在 Text 字段中，保留默认文本或输入你自己的文本。

3. （可选）要更改情感，请参阅调整情感。

4. 点击 Synthesize。

   

生成完成后，结果将显示在输出音频播放器中。你可以直接在浏览器中播放，或点击 download 下载。

使用你自己的参考音频

当你希望生成的语音与特定说话人匹配时，使用此选项。

1. 将参考音频文件上传到 Voice Reference 区域，或点击 mic 录制一个。

   选择良好的参考片段

   为获得最佳效果，请使用 5 到 15 秒的干净录音，背景噪音最小，且只有单个说话人。

2. 在 Text 字段中，输入你要合成的文本。

3. （可选）要更改情感，请参阅调整情感。

4. 点击 Synthesize。

   

生成完成后，结果将显示在输出音频播放器中。你可以直接在浏览器中播放，或点击 download 下载。

可选：调整情感

默认情况下，IndexTTS2 使用主参考音频中的情感。你可以在不更改任何情感设置的情况下生成语音。

如果你想更改情感，请展开 Settings，然后在 Emotion control method 下选择一种方法。

使用情感参考音频

当你希望保留一个说话人的语音，但借用另一个片段的情感时使用此选项。

1. 选择 Use emotion reference audio。
2. 在 Upload emotion reference audio 中上传音频片段，或点击 mic 录制一个。
3. 调整 Emotion control weight 以控制情感参考对生成语音的影响强度。

使用情感向量

当你希望直接控制情感强度时使用此选项。

1. 选择 Use emotion vectors。

2. 调整一个或多个情感滑块，例如 Happy、Angry、Sad、Afraid、Disgusted、Melancholic、Surprised 和 Calm。

3. 调整 Emotion control weight 以控制情感的应用强度。

   

逐渐调整情感权重

我们建议从大约 0.6 的值开始。较高的值增加情感强度，而较低的值保留原始语音的自然音色。

FAQs

为什么音频在文本说完之前就被截断了？

如果生成的音频在完整文本被说出之前停止，Advanced generation parameter settings 中的 max_mel_tokens 可能太低。

要解决此问题：

1. 展开 Advanced generation parameter settings。
2. 增加 max_mel_tokens。
3. 重新生成音频。
4. 如果文本很长，也稍微增加 Max tokens per generation segment，然后重试。

为什么长文本听起来断断续续或在尴尬的地方停顿？

长文本在生成之前被分成较小的段落。如果文本分割得太激进，结果可能听起来不够流畅，或在不自然的地方停顿。

要提高连续性：

1. 展开 Advanced generation parameter settings。
2. 查看 Preview of the audio generation segments 以了解文本是如何被分割的。
3. 逐渐增加 Max tokens per generation segment。
4. 重新生成音频并比较结果。

TIP

如果文本很长，请考虑在生成之前手动将其分成较小的段落。

为什么输出包含重复的单词或短语？

如果生成的语音不自然地重复单词或短语，当前的解码设置可能导致过多的变化。

要减少重复：

1. 展开 Advanced generation parameter settings。
2. 稍微增加 repetition_penalty。
3. 重新生成音频。
4. 如果重复仍然存在，请尝试稍微降低 temperature，然后再次测试。

逐渐调整这些值。大的更改可能会使结果听起来不够自然。

了解更多

• IndexTTS2 on GitHub：源代码和技术细节。
• Speaches：一个应用中集成语音转文本、文本转语音和语音聊天。