¿Qué es IndexTTS-2.5?
IndexTTS-2.5 es un modelo de texto a voz zero-shot de IndexTeam, el grupo de voz de la plataforma china de vídeo Bilibili, con pesos publicados en agosto de 2026. Clona una voz a partir de un solo clip de referencia y habla chino, inglés, japonés, español y árabe, llevando la voz de un idioma a otro. Una base de estilo GPT de unos 0,8 mil millones de parámetros predice tokens de voz, un decodificador de flow matching los convierte en un espectrograma y un vocoder BigVGAN genera audio a 22,05 kHz.
Su rasgo distintivo es que la emoción se controla por separado de la voz: puedes pasar un vector de ocho valores (alegre, enfadado, triste, asustado, asqueado, melancólico, sorprendido, tranquilo), un segundo clip de audio o una descripción en texto. Frente a IndexTTS-2 añade tres idiomas, control de la velocidad del habla y lecturas escritas en línea en Pinyin, fonemas CMU o Kana, y el informe técnico afirma un factor de tiempo real 2,28 veces más rápido.
¿Merece la pena IndexTTS-2.5?
IndexTTS-2.5 merece su instalación por una razón: te deja cambiar cómo se siente una voz clonada sin cambiar a quién suena. La mayoría de los clonadores abiertos copian la emoción del clip de referencia junto con el timbre; aquí un vector de ocho valores, un segundo clip o una frase fijan la emoción por separado, y la velocidad se puede estirar de 0,5 a 2 veces.
Lo que gana en control lo pierde en amplitud y en pruebas independientes. Cubre cinco idiomas, frente a 30 de VoxCPM2 y más de 100 de Higgs TTS 3. El informe técnico afirma tasas de error y similitud de hablante comparables a IndexTTS-2, pero su resumen no da ninguna puntuación de benchmark, y ninguna arena independiente lo incluye. Las tablas de los rivales dan una pista sobre la familia: EmergentTTS-Eval de Boson sitúa a IndexTTS-2 en el 31,12% frente al 53,65% de Higgs TTS 3, y sus tasas de error entre idiomas en CV3 superaron el 100%.
Necesita una GPU dedicada, pero no grande. Bilibili pide una GPU NVIDIA, Python 3.10 o 3.11 y unos 6 GB de VRAM; modelos auxiliares como w2v-BERT 2.0 y el códec MaskGCT se descargan en la primera ejecución. La emoción descrita en texto exige cargar un modelo de emociones aparte basado en Qwen.
La pega: la licencia es generosa en precio, no en alcance. Es gratis para uso comercial por debajo de 100 millones de usuarios activos mensuales y 1.000 millones de RMB de ingresos, pero prohíbe usar el modelo para mejorar otros modelos de IA, se rige por la ley de la RPC con arbitraje en Shanghái y permite a Bilibili revocarla si la incumples. La ficha del modelo dice claramente que no comprueba si la persona del clip de referencia dio su consentimiento. El texto largo se corta en segmentos unidos por silencios cortos, así que la prosodia no fluye entre párrafos.
Nuestra opinión: para doblaje de estilo anime o videojuegos en chino, japonés o inglés, los mandos de emoción de IndexTTS-2.5 son lo principal, y un abogado debería leer la licencia antes de publicar nada con él.
Dónde se gana su sitio
Un estudio de doblaje que localiza anime japonés al chino
Mantener la voz de cada personaje y ajustar la emoción escena a escena
Clona a cada actor desde un clip y pasa el audio de la frase original como referencia de emoción, para que un grito siga siendo un grito en el nuevo idioma. Funciona en una sola GPU con unos 6 GB de VRAM.
Un desarrollador indie que escribe diálogos ramificados
Generar la misma frase tranquila, enfadada o asustada sin volver a grabar
Ajusta el vector de emoción de ocho valores en cada frase, por ejemplo 0,8 en triste, y genera las variantes por lotes. Gratis bajo la licencia, muy por debajo del umbral de 100 millones de usuarios.
Una app de idiomas que produce ejercicios de japonés y español
Controlar la lectura exacta de palabras difíciles
Escribe las lecturas en línea con la forma <palabra|lectura> en Kana o fonemas CMU, y ralentiza el habla a entre 1,2 y 1,5 con el factor de duración para principiantes.
Antes de decidirte
- Puesta en marcha
- Clona index-tts/index-tts, ejecuta uv sync y descarga los pesos de Hugging Face o ModelScope; Python 3.10 a 3.11, GPU NVIDIA y unos 6 GB de VRAM. Incluye una interfaz web en Gradio.
- Integraciones
- Solo API de Python e interfaz web; no hay documentada una API alojada propia ni un servidor al estilo de OpenAI.
- Datos y privacidad
- Autoalojado, así que los clips y el texto se quedan en local. La licencia de bilibili te hace responsable de los derechos de la personalidad y de protección de datos; la ficha dice que no verifica el consentimiento de las voces clonadas.
- Coste a escala
- Sin coste por debajo de 100 millones de usuarios activos mensuales o 1.000 millones de RMB de ingresos; por encima, Bilibili debe conceder una licencia aparte a su discreción. Si no, el coste es tiempo de GPU.
- Límites
- Cinco idiomas; salida a 22,05 kHz; el texto largo se divide en segmentos sin prosodia entre ellos; el muestreo aleatorio de emoción reduce la fidelidad de la clonación.
Lo bueno
- Emoción controlada aparte de la voz, por vector, clip o texto
- Gratis para uso comercial por debajo de 100 millones de usuarios mensuales
- Funciona con unos 6 GB de VRAM
- Lecturas en línea en Pinyin, fonemas CMU y Kana para corregir pronunciaciones
Lo malo
- Solo cinco idiomas
- Sin benchmark independiente ni puesto en ninguna arena
- La licencia prohíbe mejorar otros modelos y se rige por la ley de la RPC
- Sin comprobación de consentimiento; el texto largo pierde prosodia en las uniones
Ideal para
Equipos de doblaje y de audio para juegos que trabajan en chino, japonés o inglés y necesitan dirigir la emoción de una voz clonada frase a frase.
Alternativas a IndexTTS-2.5
IndexTTS-2.5: preguntas frecuentes
- ¿Merece la pena IndexTTS-2.5?
- IndexTTS-2.5 es el clonador abierto para doblajes en los que la emoción del actor debe cambiar pero su voz no. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta IndexTTS-2.5?
- Gratis bajo la bilibili Model Use License, uso comercial incluido, salvo que tengas más de 100 millones de usuarios mensuales o 1.000 millones de RMB de ingresos anuales. Sin API alojada.
- ¿Qué inconvenientes tiene IndexTTS-2.5?
- Solo cinco idiomas; sin benchmark independiente ni puesto en ninguna arena; la licencia prohíbe mejorar otros modelos y se rige por la ley de la RPC; sin comprobación de consentimiento; el texto largo pierde prosodia en las uniones.
- ¿Para quién es IndexTTS-2.5?
- Equipos de doblaje y de audio para juegos que trabajan en chino, japonés o inglés y necesitan dirigir la emoción de una voz clonada frase a frase.
- ¿Cuánto cuesta IndexTTS-2.5 para un equipo o en producción?
- Sin coste por debajo de 100 millones de usuarios activos mensuales o 1.000 millones de RMB de ingresos; por encima, Bilibili debe conceder una licencia aparte a su discreción. Si no, el coste es tiempo de GPU.
- ¿Es IndexTTS-2.5 seguro para los datos de la empresa?
- Autoalojado, así que los clips y el texto se quedan en local. La licencia de bilibili te hace responsable de los derechos de la personalidad y de protección de datos; la ficha dice que no verifica el consentimiento de las voces clonadas.
- ¿Cuáles son las mejores alternativas a IndexTTS-2.5?
- Las alternativas más cercanas que hemos analizado son Fun-CosyVoice3, VoxCPM2, Qwen3-TTS y Fish Audio Drama 3.
Respuestas comprobadas el 7 nov 2026.