GitHub-радар
IndexTTS 2.5: клонирование голоса из одного аудио
Index Team из Bilibili выпустил IndexTTS-2.5 — опенсорс TTS-модель, которая клонирует голос по одному аудиофрагменту и синтезирует речь с 8 управляемыми эмоциями.
IndexTTS-2.5 — это open source TTS-модель от Index Team Bilibili, которая умеет сгенерировать голос по одному референсному образцу, подстраиваясь под тон и окрас голоса. Модель поддерживает 8 видов эмоций (например, радость, грусть, гнев), которые задаются промптами, а также управление скоростью речи и фонетическим акцентом. Поддерживаемые языки — китайский, английский, японский, испанский и арабский. Русский язык не поддерживается. Модели нужен Python 3.10–3.11 и GPU с памятью не менее 6 ГБ. Можно клонировать репозиторий на GitHub и запустить uv sync для установки.
Зачем это вайб-кодеру
Если ты делаешь видео или подкасты на английском, тебе нужно либо генерировать свой голос, либо держать одного и того же диктора на протяжении всех выпусков. С IndexTTS-2.5 это можно сделать по одному референсному образцу, без обращения к каким-либо облачным сервисам. Её можно использовать для дубляжа, озвучки историй и для построения собственной TTS-системы с эмоциональной выразительностью. Учти, что IndexTTS-2.5 не поддерживает русский язык. Если нужно синтезировать голос на русском, попробуй другие модели.
Как поставить
Скопируйте и отправьте своему агенту — Claude Code, Codex, любому:
Установи IndexTTS-2.5 от Index Team (Bilibili): https://huggingface.co/IndexTeam/IndexTTS-2.5 — следуй README на GitHub, загрузи веса, и синтезируй фрагмент 'Hello, this is a test of voice cloning' с клонированием из референсного аудио. Спроси меня, если нужен референсный файл.
Нужна NVIDIA видеокарта от 6 ГБ видеопамяти — MacBook без дискретной NVIDIA не подойдёт.
Открыть на Hugging Face▌ Ещё находки