IndexTTS-2.5とは？
IndexTTS-2.5は、中国の動画プラットフォームBilibiliの音声チームIndexTeamによるゼロショットのテキスト読み上げモデルで、2026年8月に重みが公開されました。参照クリップ1つから声をクローンし、中国語、英語、日本語、スペイン語、アラビア語を話し、言語をまたいでも同じ声を保ちます。約8億パラメータのGPT型バックボーンが音声トークンを予測し、flow matchingのデコーダーがそれをスペクトログラムに変え、BigVGANボコーダーが22.05 kHzの音声を出力します。
最大の特徴は、感情を声とは別に制御できることです。8つの値（喜び、怒り、悲しみ、恐れ、嫌悪、憂鬱、驚き、落ち着き）を持つベクトル、2つ目の音声クリップ、またはテキストの説明を渡せます。IndexTTS-2と比べて3言語が加わり、話速の制御と、ピンイン、CMU音素、仮名による読みのインライン指定が可能になりました。技術レポートはリアルタイム係数が2.28倍速くなったとしています。
IndexTTS-2.5は使う価値があるか？
IndexTTS-2.5を導入する価値は1点にあります。クローンした声の「誰の声か」を変えずに、「どう感じているか」だけを変えられることです。多くのオープンなクローンモデルは、声質と一緒に参照クリップの感情まで写し取ります。ここでは8つの値のベクトル、2つ目のクリップ、ま たは一文で感情を独立して指定でき、話速も0.5倍から2倍まで変えられます。
制御性で得たものを、対応範囲と第三者による裏付けで失っています。対応は5言語で、VoxCPM2の30言語、Higgs TTS 3の100以上に及びません。技術レポートは誤り率と話者類似度がIndexTTS-2と同等だとしていますが、要旨にはベンチマークのスコアがなく、独立したアリーナにも掲載されていません。競合の表がこの系列の手がかりになります。BosonのEmergentTTS-EvalではIndexTTS-2が31.12%で、Higgs TTS 3の53.65%を下回り、CV3での言語をまたいだ誤り率は100%を超えていました。
専用のGPUは必要ですが、大きなものはいりません。BilibiliはNVIDIA GPU、Python 3.10または3.11、約6 GBのVRAMを求めています。w2v-BERT 2.0やMaskGCTコーデックなどの補助モデルは初回実行時にダウンロードされます。テキストで感情を指定するには、Qwenベースの別の感情モデルを読み込む必要があります。
注意点：ライセンスは価格の面では寛大ですが、範囲の面ではそうではありません。月間アクティブユーザー1億人未満、売上10億人民元未満なら商用でも無料ですが、他のAIモデルの改良に使うことを禁じ、中華人民共和国の法律に準拠して上海で仲裁を行い、違反があればBilibiliが取り消せます。モデルカードは、参照クリップの話者が同意したかどうかを確認しないと明記しています。長い文章は短い無音でつないだ区間に分けられるため、段落をまたいだ抑揚の流れは生まれません。
結論：中国語、日本語、英語のアニメ風の吹き替えやゲームでは、IndexTTS-2.5の感情の調整機能が主役です。製品に使う前に、法務担当者がライセンスを読むべきです。
真価を発揮する場面
日本のアニメを中国語に吹き替えるスタジオ
各キャラクターの声を保ったまま、シーンごとの感情を合わせたい
役者ごとにクリップ1つからクローンし、元のセリフの音声を感情の参照として渡せば、叫び声は新しい言語でも叫び声のままです。VRAM約6 GBのGPU 1枚で動きます。
分岐する会話を書くインディーゲーム開発者
同じセリフを、録り直さずに落ち着いた声、怒った声、怯えた声で出したい
セリフごとに8つの値の感情ベクトルを設定し、たとえば悲しみを0.8にして、バリエーションをまとめて生成します。1億ユーザーの基準よりはるかに下なので、ライセンス上は無料です。
日本語とスペイン語の練習問題を作る語学アプリ
難しい単語の読みを正確に指定したい
<単語|読み>の形式で仮名やCMU音素の読みをインラインで書き、初心者向けには時間係数で話速を1.2から1.5に落とします。
導入前に確認すること
- 導入
- index-tts/index-ttsをクローンしてuv syncを実行し、Hugging FaceかModelScopeから重みをダウンロードします。Python 3.10から3.11、NVIDIA GPU、VRAM約6 GBが必要です。GradioのWeb UIが付属します。
- 連携
- Python APIとWeb UIのみで、自社のホスト型APIやOpenAI形式のサーバーは文書化されていません。
- データとプライバシー
- 自前でホストするため、クリップとテキストは手元に残ります。bilibiliのライセンスでは、肖像や人格に関する権利とデータ保護の責任は利用者にあり、モデルカードはクローンした声の同意を確認しないとしています。
- 大規模利用時のコスト
- 月間アクティブユーザー1億人未満または売上10億人民元未満なら無料で、それを超える場合はBilibiliが裁量で別のライセンスを与える必要があります。それ以外の費用はGPU時間です。
- 制限
- 5言語、出力は22.05 kHz、長文は区間に分割され区間をまたいだ抑揚はなく、感情のランダムサンプリングを使うとクローンの忠実度が下がります。
良い点
- ベクトル、クリップ、テキストで感情を声とは別に制御できる
- 月間ユーザー1億人未満なら商用でも無料
- VRAM約6 GBで動く
- ピンイン、CMU音素、仮名のインライン読み指定で誤読を修正できる
気になる点
- 対応は5言語のみ
- 独立したベンチマークもアリーナの順位もない
- ライセンスが他モデルの改良を禁じ、中国法に準拠する
- 同意の確認がなく、長文は区間のつなぎ目で抑揚が途切れる
おすすめの人
中国語、日本語、英語で作業し、クローンした声の感情を1行ずつ演出したい吹き替えチームやゲーム音声チーム。
IndexTTS-2.5の代替
IndexTTS-2.5：よくある質問
- IndexTTS-2.5は使う価値があるか？
- 役者の声はそのままに感情だけを変える必要がある吹き替え作業のためのオープンなクローンモデルが、IndexTTS-2.5です。 評価は5点満点中3.8点です。
- IndexTTS-2.5の料金は？
- bilibili Model Use Licenseで無料、商用利用も含みます。ただし月間ユーザーが1億人を超えるか、年間売上が10億人民元を超える場合は別です。ホスト型APIはありません。
- IndexTTS-2.5の欠点は？
- 対応は5言語のみ; 独立したベンチマークもアリーナの順位もな い; ライセンスが他モデルの改良を禁じ、中国法に準拠する; 同意の確認がなく、長文は区間のつなぎ目で抑揚が途切れる.
- IndexTTS-2.5は誰に向いているか？
- 中国語、日本語、英語で作業し、クローンした声の感情を1行ずつ演出したい吹き替えチームやゲーム音声チーム。
- チームや本番環境でIndexTTS-2.5を使うと費用はいくらか？
- 月間アクティブユーザー1億人未満または売上10億人民元未満なら無料で、それを超える場合はBilibiliが裁量で別のライセンスを与える必要があります。それ以外の費用はGPU時間です。
- IndexTTS-2.5は企業データを扱っても安全か？
- 自前でホストするため、クリップとテキストは手元に残ります。bilibiliのライセンスでは、肖像や人格に関する権利とデータ保護の責任は利用者にあり、モデルカードはクローンした声の同意を確認しないとしています。
- IndexTTS-2.5の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はFun-CosyVoice3, VoxCPM2, Qwen3-TTS 、 Fish Audio Drama 3です。
回答確認日：2026年11月7日