IT 之家 9 月 9 日消息，B 站（Bilibili）昨日（9 月 8 日）发布公告，宣布正式开源其自研语音生成大模型 IndexTTS-2.0，是首个支持精确时长控制（Duration Control）的自回归（Autoregressive）零样本文本转语音（TTS）系统。

IT 之家援引 GitHub 页面介绍，相比较传统逐 token 生成的 TTS 系统，IndexTTS-2.0 首次在自回归架构中实现了精准时长控制，特别适合视频配音等需严格音画同步的应用场景。

据介绍，IndexTTS2 支持两种生成模式：

一种可通过明确指定生成的 token 数实现精确时长控制；另一种则自由生成，保持输入提示的韵律特征。

在声音表达上，IndexTTS2 实现了情感特征与说话人音色的解耦（Emotion-Speaker Disentanglement）：分离说话人音色与情绪特征，分别控制。

这意味着用户可以独立指定音色来源和情绪来源，例如用一段音频保留音色，再用另一段不同情感的音频或文本描述赋予情绪，在零样本条件下，模型能精准还原目标音色并完全重现指定情绪。

为提升高情感表达下的语音清晰度，团队引入了 GPT 潜在表示，并设计三阶段训练策略增强生成稳定性。此外，他们基于 Qwen3 微调实现了 " 软指令 " 机制，允许用户通过自然语言描述来直观控制情绪方向，降低使用门槛。

在技术性能上，多数据集实验表明，IndexTTS2 在词错率、说话人相似度和情绪保真度上均超越当前最先进零样本 TTS 模型。其方法具备良好扩展性，可应用于其他大型自回归 TTS 系统。团队表示，将公开代码和预训练权重，推动学术研究与产业落地。