Qu’est-ce que IndexTTS-2.5 ?
IndexTTS-2.5 est un modèle de synthèse vocale zero-shot d'IndexTeam, l'équipe parole de la plateforme vidéo chinoise Bilibili, dont les poids ont été publiés en août 2026. Il clone une voix à partir d'un seul extrait de référence et parle chinois, anglais, japonais, espagnol et arabe, en conservant la voix d'une langue à l'autre. Une base de type GPT d'environ 0,8 milliard de paramètres prédit des tokens de parole, un décodeur à flow matching en tire un spectrogramme et un vocodeur BigVGAN produit un son à 22,05 kHz.
Sa particularité : l'émotion se règle indépendamment de la voix. Vous pouvez passer un vecteur de huit valeurs (joyeux, en colère, triste, effrayé, dégoûté, mélancolique, surpris, calme), un second extrait audio ou une description écrite. Par rapport à IndexTTS-2, il ajoute trois langues, le réglage du débit et des lectures écrites en ligne en Pinyin, en phonèmes CMU ou en Kana, et le rapport technique annonce un facteur temps réel 2,28 fois plus rapide.
IndexTTS-2.5 vaut-il le coup ?
IndexTTS-2.5 vaut l'effort d'installation pour une raison : il permet de changer ce que ressent une voix clonée sans changer à qui elle ressemble. La plupart des cloneurs ouverts recopient l'émotion de l'extrait de référence en même temps que le timbre ; ici, un vecteur de huit valeurs, un second extrait ou une phrase fixent l'émotion séparément, et le débit peut varier de 0,5 à 2 fois.
Ce qu'il gagne en contrôle, il le perd en couverture et en preuves indépendantes. Il couvre cinq langues, contre 30 pour VoxCPM2 et plus de 100 pour Higgs TTS 3. Le rapport technique annonce des taux d'erreur et une similarité de locuteur comparables à IndexTTS-2, mais son résumé ne cite aucun score de benchmark, et aucune arène indépendante ne le classe. Les tableaux des concurrents donnent un indice sur la famille : EmergentTTS-Eval de Boson place IndexTTS-2 à 31,12 % contre 53,65 % pour Higgs TTS 3, et ses taux d'erreur interlangues sur CV3 dépassaient 100 %.
Il lui faut un GPU dédié, mais pas un gros. Bilibili demande un GPU NVIDIA, Python 3.10 ou 3.11 et environ 6 Go de VRAM ; des modèles auxiliaires comme w2v-BERT 2.0 et le codec MaskGCT se téléchargent au premier lancement. L'émotion décrite par écrit exige de charger un modèle d'émotion séparé basé sur Qwen.
Le hic : la licence est généreuse sur le prix, pas sur le périmètre. Elle est gratuite pour un usage commercial sous 100 millions d'utilisateurs actifs mensuels et 1 milliard de RMB de chiffre d'affaires, mais elle interdit d'utiliser le modèle pour améliorer d'autres modèles d'IA, relève du droit de la RPC avec arbitrage à Shanghai et permet à Bilibili de la révoquer en cas de manquement. La fiche du modèle dit clairement qu'il ne vérifie pas si la personne de l'extrait de référence a consenti. Le texte long est découpé en segments reliés par de courts silences, donc la prosodie ne circule pas d'un paragraphe à l'autre.
Notre avis : pour du doublage façon anime ou des jeux en chinois, en japonais ou en anglais, les réglages d'émotion d'IndexTTS-2.5 sont l'argument principal, et un juriste devrait lire la licence avant toute mise en production.
Là où il fait la différence
Un studio de doublage qui adapte des anime japonais en chinois
Garder la voix de chaque personnage tout en suivant l'émotion scène par scène
Clonez chaque comédien à partir d'un extrait, puis passez l'audio de la réplique originale comme référence d'émotion, pour qu'un cri reste un cri dans la nouvelle langue. Tourne sur un seul GPU avec environ 6 Go de VRAM.
Un développeur de jeux indépendant qui écrit des dialogues à embranchements
Produire la même réplique calme, en colère ou effrayée sans réenregistrer
Réglez le vecteur d'émotion de huit valeurs à chaque réplique, par exemple 0,8 sur triste, et générez les variantes par lots. Gratuit sous la licence, très loin du seuil de 100 millions d'utilisateurs.
Une application d'apprentissage des langues qui produit des exercices en japonais et en espagnol
Imposer la lecture exacte de mots difficiles
Écrivez les lectures en ligne sous la forme <mot|lecture> en Kana ou en phonèmes CMU, et ralentissez le débit à 1,2 à 1,5 avec le facteur de durée pour les débutants.
Avant de vous engager
- Mise en route
- Clonez index-tts/index-tts, lancez uv sync et téléchargez les poids depuis Hugging Face ou ModelScope ; Python 3.10 à 3.11, GPU NVIDIA, environ 6 Go de VRAM. Une interface web Gradio est fournie.
- Intégrations
- API Python et interface web uniquement ; aucune API hébergée maison ni serveur de style OpenAI n'est documenté.
- Données et confidentialité
- Auto-hébergé : les extraits et le texte restent en local. La licence bilibili vous rend responsable des droits de la personnalité et de la protection des données ; la fiche indique que le consentement des voix clonées n'est pas vérifié.
- Coût à grande échelle
- Aucun frais sous 100 millions d'utilisateurs actifs mensuels ou 1 milliard de RMB de chiffre d'affaires ; au-delà, Bilibili doit accorder une licence séparée à sa discrétion. Sinon, le coût est le temps GPU.
- Limites
- Cinq langues ; sortie à 22,05 kHz ; le texte long est découpé en segments sans prosodie entre eux ; l'échantillonnage aléatoire de l'émotion réduit la fidélité du clonage.
Les points forts
- Émotion réglée indépendamment de la voix, par vecteur, extrait ou texte
- Gratuit en usage commercial sous 100 millions d'utilisateurs mensuels
- Tourne avec environ 6 Go de VRAM
- Lectures en ligne en Pinyin, phonèmes CMU et Kana pour corriger la prononciation
Les points faibles
- Cinq langues seulement
- Aucun benchmark indépendant ni classement en arène
- La licence interdit d'améliorer d'autres modèles et relève du droit chinois
- Pas de vérification du consentement ; le texte long perd sa prosodie aux jointures
Idéal pour
Les équipes de doublage et d'audio de jeu qui travaillent en chinois, en japonais ou en anglais et doivent diriger l'émotion d'une voix clonée réplique par réplique.
Alternatives à IndexTTS-2.5
IndexTTS-2.5 : questions fréquentes
- IndexTTS-2.5 vaut-il le coup ?
- IndexTTS-2.5 est le cloneur ouvert pour le doublage, quand l'émotion d'un comédien doit changer mais pas sa voix. Nous lui donnons 3.8 sur 5.
- Combien coûte IndexTTS-2.5 ?
- Gratuit sous la bilibili Model Use License, usage commercial compris, sauf au-delà de 100 millions d'utilisateurs mensuels ou de 1 milliard de RMB de chiffre d'affaires annuel. Pas d'API hébergée.
- Quels sont les inconvénients de IndexTTS-2.5 ?
- Cinq langues seulement; aucun benchmark indépendant ni classement en arène; la licence interdit d'améliorer d'autres modèles et relève du droit chinois; pas de vérification du consentement ; le texte long perd sa prosodie aux jointures.
- À qui s’adresse IndexTTS-2.5 ?
- Les équipes de doublage et d'audio de jeu qui travaillent en chinois, en japonais ou en anglais et doivent diriger l'émotion d'une voix clonée réplique par réplique.
- Combien coûte IndexTTS-2.5 pour une équipe ou en production ?
- Aucun frais sous 100 millions d'utilisateurs actifs mensuels ou 1 milliard de RMB de chiffre d'affaires ; au-delà, Bilibili doit accorder une licence séparée à sa discrétion. Sinon, le coût est le temps GPU.
- IndexTTS-2.5 est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : les extraits et le texte restent en local. La licence bilibili vous rend responsable des droits de la personnalité et de la protection des données ; la fiche indique que le consentement des voix clonées n'est pas vérifié.
- Quelles sont les meilleures alternatives à IndexTTS-2.5 ?
- Les alternatives les plus proches que nous avons testées sont Fun-CosyVoice3, VoxCPM2, Qwen3-TTS et Fish Audio Drama 3.
Réponses vérifiées le 7 nov. 2026.