IndexTTS-2.5의 개요
IndexTTS-2.5는 중국 동영상 플랫폼 Bilibili의 음성 팀 IndexTeam이 만든 제로샷 텍스트 음성 변환 모델로, 2026년 8월에 가중치가 공개됐습니다. 참조 클립 하나로 목소리를 복제하고 중국어, 영어, 일본어, 스페인어, 아랍어를 말하며, 언어가 바뀌어도 같은 목소리를 유지합니다. 약 8억 파라미터의 GPT형 백본이 음성 토큰을 예측하고, flow matching 디코더가 이를 스펙트로그램으로 바꾸며, BigVGAN 보코더가 22.05 kHz 오디오를 출력합니다.
가장 큰 특징은 감정을 목소리와 별도로 제어한다는 점입니다. 8개 값(기쁨, 분노, 슬픔, 두려움, 혐오, 우울, 놀람, 차분함)으로 된 벡터, 두 번째 오디오 클립, 또는 텍스트 설명을 넣을 수 있습니다. IndexTTS-2보다 언어가 3개 늘었고, 말하기 속도 제어와 병음, CMU 음소, 가나로 쓰는 인라인 읽기 지정이 추가됐으며, 기술 보고서는 실시간 계수가 2.28배 빨라졌다고 밝힙니다.
IndexTTS-2.5, 쓸 만한 가치가 있습니까?
IndexTTS-2.5를 설치할 이유는 하나입니다. 복제한 목소리가 누구처럼 들리는지는 그대로 두고, 어떤 감정으로 들리는지만 바꿀 수 있다는 점입니다. 대부분의 오픈 복제 모델은 음색과 함께 참조 클립의 감정까지 베낍니다. 여기서는 8개 값의 벡터, 두 번째 클립, 또는 문장 하나로 감정을 따로 정하고, 속도도 0.5배에서 2배까지 늘리거나 줄일 수 있습니다.
제어력에서 얻은 만큼 범위와 독립적 검증에서 잃습니다. 지원 언어는 5개로, VoxCPM2의 30개, Higgs TTS 3의 100개 이상에 못 미칩니다. 기술 보고서는 오류율과 화자 유사도가 IndexTTS-2와 비슷하다고 하지만 초록에 벤치마크 점수가 없고, 독립 아레나에도 올라 있지 않습니다. 경쟁사 표가 이 계열에 대한 단서를 줍니다. Boson의 EmergentTTS-Eval은 IndexTTS-2를 31.12%로, Higgs TTS 3의 53.65%보다 낮게 평가했고, CV3에서 언어 간 오류율은 100%를 넘었습니다.
전용 GPU가 필요하지만 큰 것은 아닙니다. Bilibili는 NVIDIA GPU, Python 3.10 또는 3.11, 약 6 GB VRAM을 요구합니다. w2v-BERT 2.0과 MaskGCT 코덱 같은 보조 모델은 첫 실행 때 내려받습니다. 텍스트로 감정을 지정하려면 Qwen 기반의 별도 감정 모델을 불러와야 합니다.
주의할 점: 라이선스는 가격 면에서는 너그럽지만 범위 면에서는 그렇지 않습니다. 월간 활성 사용자 1억 명, 매출 10억 위안 미만이면 상업적으로도 무료지만, 모델을 다른 AI 모델 개선에 쓰는 것을 금지하고, 중화인민공화국 법을 따르며 상하이에서 중재하고, 위반 시 Bilibili가 취소할 수 있습니다. 모델 카드는 참조 클립 속 화자가 동의했는지 확인하지 않는다고 분명히 적습니다. 긴 글은 짧은 무음으로 이어 붙인 구간으로 나뉘므로 문단을 넘는 억양의 흐름이 생기지 않습니다.
결론: 중국어, 일본어, 영어로 하는 애니메이션풍 더빙이나 게임이라면 IndexTTS-2.5의 감정 조절이 핵심이며, 출시 전에는 법무 담당자가 라이선스를 읽어야 합니다.
제 역할을 하는 곳
일본 애니메이션을 중국어로 더빙하는 스튜디오
캐릭터마다 목소리를 유지하면서 장면별 감정을 맞추기
배우마다 클립 하나로 복제하고, 원래 대사의 오디오를 감정 참조로 넣으면 새 언어에서도 외침은 외침으로 남습니다. 약 6 GB VRAM의 GPU 한 장에서 돌아갑니다.
분기형 대화를 쓰는 인디 게임 개발자
같은 대사를 다시 녹음하지 않고 차분하게, 화나게, 겁먹은 듯 출력하기
대사마다 8개 값의 감정 벡터를 정하고(예: 슬픔 0.8) 변형을 일괄 생성합니다. 1억 명 기준에 한참 못 미치므로 라이선스상 무료입니다.
일본어와 스페인어 연습 문제를 만드는 언어 학습 앱
어려운 단어의 정확한 읽기 지정하기
<단어|읽기> 형식으로 가나나 CMU 음소를 인라인으로 쓰고, 초보자용으로는 길이 계수로 말하기 속도를 1.2~1.5로 늦춥니다.
도입 전 확인할 점
- 설정
- index-tts/index-tts를 클론하고 uv sync를 실행한 뒤 Hugging Face나 ModelScope에서 가중치를 내려받습니다. Python 3.10~3.11, NVIDIA GPU, 약 6 GB VRAM이 필요하며 Gradio 웹 UI가 들어 있습니다.
- 연동
- Python API와 웹 UI만 있으며, 자체 호스팅 API나 OpenAI 방식 서버는 문서화돼 있지 않습니다.
- 데이터와 개인정보
- 자체 호스팅이므로 클립과 텍스트가 로컬에 남습니다. bilibili 라이선스는 인격권과 개인정보 보호 책임을 사용자에게 지우며, 모델 카드는 복제한 목소리의 동의를 확인하지 않는다고 밝힙니다.
- 대규모 사용 시 비용
- 월간 활성 사용자 1억 명 미만 또는 매출 10억 위안 미만이면 무료이며, 그 이상이면 Bilibili가 재량으로 별도 라이선스를 내줘야 합니다. 그 밖의 비용은 GPU 시간입니다.
- 제한
- 5개 언어, 22.05 kHz 출력, 긴 글은 구간 간 억양 없이 나뉘며, 감정 무작위 샘플링을 쓰면 복제 충실도가 떨어집니다.
좋은 점
- 벡터, 클립, 텍스트로 감정을 목소리와 따로 제어
- 월간 사용자 1억 명 미만이면 상업적 사용 무료
- 약 6 GB VRAM에서 동작
- 병음, CMU 음소, 가나 인라인 읽기 지정으로 오독 수정
아쉬운 점
- 지원 언어 5개뿐
- 독립 벤치마크나 아레나 순위가 없음
- 라이선스가 다른 모델 개선을 금지하고 중국 법을 따름
- 동의 확인이 없고, 긴 글은 구간 연결부에서 억양이 끊김
추천 대상
중국어, 일본어, 영어로 작업하며 복제한 목소리의 감정을 한 줄씩 연출해야 하는 더빙 팀과 게임 오디오 팀.
IndexTTS-2.5 대안
IndexTTS-2.5: 자주 묻는 질문
- IndexTTS-2.5, 쓸 만한 가치가 있습니까?
- 배우의 목소리는 그대로 두고 감정만 바꿔야 하는 더빙 작업에 맞는 오픈 음성 복제 모델이 IndexTTS-2.5입니다. 평점은 5점 만점에 3.8점입니다.
- IndexTTS-2.5의 가격은 얼마입니까?
- bilibili Model Use License로 상업적 사용까지 무료입니다. 단, 월간 사용자가 1억 명을 넘거나 연 매출이 10억 위안을 넘으면 예외입니다. 호스팅 API는 없습니다.
- IndexTTS-2.5의 단점은 무엇입니까?
- 지원 언어 5개뿐; 독립 벤치마크나 아레나 순위가 없음; 라이선스가 다른 모델 개선을 금지하고 중국 법을 따름; 동의 확인이 없고, 긴 글은 구간 연결부에서 억양이 끊김.
- IndexTTS-2.5에 적합한 사람은 누구입니까?
- 중국어, 일본어, 영어로 작업하며 복제한 목소리의 감정을 한 줄씩 연출해야 하는 더빙 팀과 게임 오디오 팀.
- 팀이나 프로덕션 환경에서 IndexTTS-2.5의 비용은 얼마입니까?
- 월간 활성 사용자 1억 명 미만 또는 매출 10억 위안 미만이면 무료이며, 그 이상이면 Bilibili가 재량으로 별도 라이선스를 내줘야 합니다. 그 밖의 비용은 GPU 시간입니다.
- IndexTTS-2.5에 회사 데이터를 맡겨도 안전합니까?
- 자체 호스팅이므로 클립과 텍스트가 로컬에 남습니다. bilibili 라이선스는 인격권과 개인정보 보호 책임을 사용자에게 지우며, 모델 카드는 복제한 목소리의 동의를 확인하지 않는다고 밝힙니다.
- IndexTTS-2.5의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Fun-CosyVoice3, VoxCPM2, Qwen3-TTS 및 Fish Audio Drama 3입니다.
답변 확인일: 2026년 11월 7일.