Was ist IndexTTS-2.5?
IndexTTS-2.5 ist ein Zero-Shot-Text-to-Speech-Modell von IndexTeam, der Sprachgruppe der chinesischen Videoplattform Bilibili, dessen Gewichte im August 2026 erschienen. Es klont eine Stimme aus einem einzigen Referenzclip und spricht Chinesisch, Englisch, Japanisch, Spanisch und Arabisch, wobei die Stimme über Sprachgrenzen hinweg erhalten bleibt. Ein GPT-artiges Backbone mit etwa 0,8 Milliarden Parametern sagt Sprach-Tokens voraus, ein Flow-Matching-Decoder macht daraus ein Spektrogramm, und ein BigVGAN-Vocoder gibt Audio mit 22,05 kHz aus.
Sein besonderes Merkmal: Die Emotion wird getrennt von der Stimme gesteuert. Du kannst einen Vektor mit acht Werten (fröhlich, wütend, traurig, ängstlich, angewidert, melancholisch, überrascht, ruhig), einen zweiten Audioclip oder eine Textbeschreibung übergeben. Gegenüber IndexTTS-2 kommen drei Sprachen, eine Steuerung des Sprechtempos und inline geschriebene Lesungen in Pinyin, CMU-Phonemen oder Kana hinzu, und der technische Bericht nennt einen 2,28-mal schnelleren Echtzeitfaktor.
Lohnt sich IndexTTS-2.5?
IndexTTS-2.5 lohnt den Einrichtungsaufwand aus einem Grund: Es lässt dich ändern, wie eine geklonte Stimme klingt, ohne zu ändern, wem sie gehört. Die meisten offenen Kloner übernehmen mit der Klangfarbe auch die Emotion des Referenzclips; hier legen ein Vektor mit acht Werten, ein zweiter Clip oder ein Satz die Emotion unabhängig fest, und das Tempo lässt sich zwischen dem 0,5- und dem 2-Fachen strecken.
Was es an Kontrolle gewinnt, verliert es an Breite und an unabhängigem Nachweis. Es deckt fünf Sprachen ab, gegenüber 30 bei VoxCPM2 und über 100 bei Higgs TTS 3. Der technische Bericht nennt Fehlerraten und Sprecherähnlichkeit vergleichbar mit IndexTTS-2, aber seine Zusammenfassung enthält keine Benchmark-Werte, und keine unabhängige Arena führt es. Die Tabellen der Konkurrenz geben einen Hinweis auf die Familie: Bosons EmergentTTS-Eval sieht IndexTTS-2 bei 31,12% gegenüber 53,65% für Higgs TTS 3, und seine sprachübergreifenden Fehlerraten auf CV3 lagen über 100%.
Es braucht eine eigene GPU, aber keine große. Bilibili verlangt eine NVIDIA-GPU, Python 3.10 oder 3.11 und etwa 6 GB VRAM; Hilfsmodelle wie w2v-BERT 2.0 und der MaskGCT-Codec werden beim ersten Start geladen. Für per Text beschriebene Emotionen muss ein separates, auf Qwen basierendes Emotionsmodell geladen werden.
Der Haken: Die Lizenz ist großzügig beim Preis, nicht beim Umfang. Sie ist für kommerzielle Nutzung unter 100 Millionen monatlich aktiven Nutzern und RMB 1 Milliarde Umsatz kostenlos, verbietet aber, das Modell zur Verbesserung anderer KI-Modelle zu nutzen, unterliegt dem Recht der Volksrepublik China mit Schiedsverfahren in Shanghai und lässt Bilibili sie bei Verstößen widerrufen. Die Modellkarte sagt offen, dass nicht geprüft wird, ob die Person im Referenzclip eingewilligt hat. Langer Text wird in Segmente geteilt, die mit kurzen Pausen verbunden werden, die Prosodie fließt also nicht über Absätze hinweg.
Unser Fazit: Für Anime-Synchronisation oder Spiele auf Chinesisch, Japanisch oder Englisch sind die Emotionsregler von IndexTTS-2.5 das Hauptargument, und vor dem ersten Release sollte ein Jurist die Lizenz lesen.
Wo es sich lohnt
Ein Synchronstudio, das japanische Anime ins Chinesische überträgt
Die Stimme jeder Figur behalten und die Emotion Szene für Szene treffen
Klone jeden Sprecher aus einem Clip und gib das Audio der Originalzeile als Emotionsreferenz mit, damit ein Schrei auch in der neuen Sprache ein Schrei bleibt. Läuft auf einer einzelnen GPU mit etwa 6 GB VRAM.
Ein Indie-Spieleentwickler, der verzweigte Dialoge schreibt
Dieselbe Zeile ruhig, wütend oder ängstlich ausgeben, ohne neu aufzunehmen
Setz den Emotionsvektor mit acht Werten pro Zeile, etwa 0,8 auf traurig, und rendere die Varianten im Stapel. Kostenlos unter der Lizenz, weit unter der Schwelle von 100 Millionen Nutzern.
Eine Sprachlern-App mit Übungen auf Japanisch und Spanisch
Die genaue Lesung schwieriger Wörter festlegen
Schreib die Lesungen inline in der Form <Wort|Lesung> mit Kana oder CMU-Phonemen und verlangsame die Sprache für Anfänger mit dem Dauerfaktor auf 1,2 bis 1,5.
Bevor du dich festlegst
- Einrichtung
- index-tts/index-tts klonen, uv sync ausführen, Gewichte von Hugging Face oder ModelScope laden; Python 3.10 bis 3.11, NVIDIA-GPU, etwa 6 GB VRAM. Eine Gradio-Weboberfläche ist dabei.
- Integrationen
- Nur Python-API und Weboberfläche; eine eigene gehostete API oder ein Server im OpenAI-Stil ist nicht dokumentiert.
- Daten und Datenschutz
- Selbst gehostet, Clips und Text bleiben also lokal. Die bilibili-Lizenz macht dich für Persönlichkeits- und Datenschutzrechte verantwortlich; laut Modellkarte wird die Einwilligung für geklonte Stimmen nicht geprüft.
- Kosten im großen Maßstab
- Keine Gebühr unter 100 Millionen monatlich aktiven Nutzern oder RMB 1 Milliarde Umsatz; darüber muss Bilibili nach eigenem Ermessen eine separate Lizenz erteilen. Ansonsten sind die Kosten GPU-Zeit.
- Grenzen
- Fünf Sprachen; Ausgabe mit 22,05 kHz; langer Text wird ohne Prosodie über die Grenzen in Segmente geteilt; zufälliges Emotions-Sampling senkt die Klongenauigkeit.
Was gut ist
- Emotion getrennt von der Stimme steuerbar, per Vektor, Clip oder Text
- Kommerziell kostenlos unter 100 Millionen monatlichen Nutzern
- Läuft mit etwa 6 GB VRAM
- Inline-Lesungen in Pinyin, CMU-Phonemen und Kana korrigieren Aussprachefehler
Was nicht
- Nur fünf Sprachen
- Kein unabhängiger Benchmark und keine Arena-Platzierung
- Lizenz verbietet die Verbesserung anderer Modelle und unterliegt chinesischem Recht
- Keine Einwilligungsprüfung; langer Text verliert an den Segmentgrenzen die Prosodie
Am besten für
Synchron- und Game-Audio-Teams, die auf Chinesisch, Japanisch oder Englisch arbeiten und die Emotion einer geklonten Stimme Zeile für Zeile steuern müssen.
Alternativen zu IndexTTS-2.5
IndexTTS-2.5: häufige Fragen
- Lohnt sich IndexTTS-2.5?
- IndexTTS-2.5 ist der offene Stimmkloner für Synchronarbeit, bei der sich die Emotion eines Sprechers ändern muss, seine Stimme aber nicht. Wir bewerten es mit 3.8 von 5.
- Was kostet IndexTTS-2.5?
- Kostenlos unter der bilibili Model Use License, auch kommerziell, sofern du nicht mehr als 100 Millionen monatliche Nutzer oder RMB 1 Milliarde Jahresumsatz hast. Keine gehostete API.
- Welche Nachteile hat IndexTTS-2.5?
- Nur fünf Sprachen; Kein unabhängiger Benchmark und keine Arena-Platzierung; Lizenz verbietet die Verbesserung anderer Modelle und unterliegt chinesischem Recht; Keine Einwilligungsprüfung; langer Text verliert an den Segmentgrenzen die Prosodie.
- Für wen eignet sich IndexTTS-2.5?
- Synchron- und Game-Audio-Teams, die auf Chinesisch, Japanisch oder Englisch arbeiten und die Emotion einer geklonten Stimme Zeile für Zeile steuern müssen.
- Was kostet IndexTTS-2.5 für ein Team oder im Produktivbetrieb?
- Keine Gebühr unter 100 Millionen monatlich aktiven Nutzern oder RMB 1 Milliarde Umsatz; darüber muss Bilibili nach eigenem Ermessen eine separate Lizenz erteilen. Ansonsten sind die Kosten GPU-Zeit.
- Ist IndexTTS-2.5 sicher für Firmendaten?
- Selbst gehostet, Clips und Text bleiben also lokal. Die bilibili-Lizenz macht dich für Persönlichkeits- und Datenschutzrechte verantwortlich; laut Modellkarte wird die Einwilligung für geklonte Stimmen nicht geprüft.
- Was sind die besten Alternativen zu IndexTTS-2.5?
- Die nächsten Alternativen, die wir getestet haben, sind Fun-CosyVoice3, VoxCPM2, Qwen3-TTS und Fish Audio Drama 3.
Antworten geprüft am 7. Nov. 2026.