O que é IndexTTS-2.5?
O IndexTTS-2.5 é um modelo de texto para fala zero-shot da IndexTeam, o grupo de voz da plataforma chinesa de vídeo Bilibili, com pesos publicados em agosto de 2026. Ele clona uma voz a partir de um único trecho de referência e fala chinês, inglês, japonês, espanhol e árabe, levando a voz de um idioma para outro. Uma base no estilo GPT de cerca de 0,8 bilhão de parâmetros prevê tokens de fala, um decodificador de flow matching os transforma em espectrograma e um vocoder BigVGAN gera áudio a 22,05 kHz.
O diferencial é que a emoção é controlada separadamente da voz: você pode passar um vetor de oito valores (feliz, com raiva, triste, com medo, enojado, melancólico, surpreso, calmo), um segundo trecho de áudio ou uma descrição em texto. Em relação ao IndexTTS-2, ele adiciona três idiomas, controle da velocidade da fala e leituras escritas no texto em Pinyin, fonemas CMU ou Kana, e o relatório técnico afirma um fator de tempo real 2,28 vezes mais rápido.
IndexTTS-2.5 vale a pena?
O IndexTTS-2.5 vale a instalação por um motivo: ele deixa você mudar o que uma voz clonada sente sem mudar de quem ela parece ser. A maioria dos clonadores abertos copia a emoção do trecho de referência junto com o timbre; aqui, um vetor de oito valores, um segundo trecho ou uma frase definem a emoção de forma independente, e a velocidade pode ir de 0,5 a 2 vezes.
O que ganha em controle, perde em amplitude e em prova independente. Cobre cinco idiomas, contra 30 do VoxCPM2 e mais de 100 do Higgs TTS 3. O relatório técnico afirma taxas de erro e similaridade de locutor comparáveis às do IndexTTS-2, mas o resumo não traz nenhuma pontuação de benchmark, e nenhuma arena independente o lista. As tabelas dos rivais dão uma pista sobre a família: o EmergentTTS-Eval da Boson coloca o IndexTTS-2 em 31,12%, contra 53,65% do Higgs TTS 3, e suas taxas de erro entre idiomas no CV3 passaram de 100%.
Precisa de uma GPU dedicada, mas não grande. A Bilibili pede GPU NVIDIA, Python 3.10 ou 3.11 e cerca de 6 GB de VRAM; modelos auxiliares como o w2v-BERT 2.0 e o codec MaskGCT são baixados na primeira execução. Emoção descrita em texto exige carregar um modelo de emoção separado baseado no Qwen.
O porém: a licença é generosa no preço, não no escopo. É gratuita para uso comercial abaixo de 100 milhões de usuários ativos mensais e RMB 1 bilhão de receita, mas proíbe usar o modelo para melhorar outros modelos de IA, segue a lei da RPC com arbitragem em Xangai e permite à Bilibili revogá-la em caso de violação. O cartão do modelo diz claramente que ele não verifica se a pessoa do trecho de referência consentiu. Texto longo é cortado em segmentos unidos por silêncios curtos, então a prosódia não flui entre parágrafos.
Nossa opinião: para dublagem no estilo anime ou games em chinês, japonês ou inglês, os controles de emoção do IndexTTS-2.5 são o ponto principal, e um advogado deveria ler a licença antes de qualquer lançamento.
Onde ele se destaca
Um estúdio de dublagem que localiza anime japonês para o chinês
Manter a voz de cada personagem e acertar a emoção cena a cena
Clone cada ator a partir de um trecho e passe o áudio da fala original como referência de emoção, para que um grito continue sendo um grito no novo idioma. Roda numa única GPU com cerca de 6 GB de VRAM.
Um desenvolvedor indie que escreve diálogos ramificados
Gerar a mesma fala calma, com raiva ou com medo sem regravar
Ajuste o vetor de emoção de oito valores em cada fala, por exemplo 0,8 em triste, e gere as variantes em lote. Gratuito pela licença, muito abaixo do limite de 100 milhões de usuários.
Um app de idiomas que produz exercícios de japonês e espanhol
Controlar a leitura exata de palavras difíceis
Escreva as leituras no texto no formato <palavra|leitura> com Kana ou fonemas CMU e desacelere a fala para 1,2 a 1,5 com o fator de duração para iniciantes.
Antes de decidir
- Configuração
- Clone index-tts/index-tts, rode uv sync e baixe os pesos do Hugging Face ou do ModelScope; Python 3.10 a 3.11, GPU NVIDIA, cerca de 6 GB de VRAM. Inclui uma interface web em Gradio.
- Integrações
- Apenas API Python e interface web; não há API hospedada própria nem servidor no estilo da OpenAI documentados.
- Dados e privacidade
- Auto-hospedado, então trechos e texto ficam locais. A licença da bilibili torna você responsável por direitos de personalidade e de proteção de dados; o cartão diz que o modelo não verifica o consentimento das vozes clonadas.
- Custo em escala
- Sem custo abaixo de 100 milhões de usuários ativos mensais ou RMB 1 bilhão de receita; acima disso, a Bilibili precisa conceder licença separada a seu critério. Fora isso, o custo é tempo de GPU.
- Limites
- Cinco idiomas; saída a 22,05 kHz; texto longo dividido em segmentos sem prosódia entre eles; amostragem aleatória de emoção reduz a fidelidade da clonagem.
O que é bom
- Emoção controlada separadamente da voz, por vetor, trecho ou texto
- Gratuito para uso comercial abaixo de 100 milhões de usuários mensais
- Roda com cerca de 6 GB de VRAM
- Leituras no texto em Pinyin, fonemas CMU e Kana corrigem pronúncias
O que não é
- Apenas cinco idiomas
- Sem benchmark independente nem posição em arena
- A licença proíbe melhorar outros modelos e segue a lei da RPC
- Sem verificação de consentimento; texto longo perde prosódia nas emendas
Ideal para
Equipes de dublagem e áudio de games que trabalham em chinês, japonês ou inglês e precisam dirigir a emoção de uma voz clonada fala a fala.
Alternativas ao IndexTTS-2.5
IndexTTS-2.5: perguntas frequentes
- IndexTTS-2.5 vale a pena?
- O IndexTTS-2.5 é o clonador aberto para dublagem em que a emoção do ator precisa mudar, mas a voz não. Damos nota 3.8 de 5.
- Quanto custa IndexTTS-2.5?
- Gratuito sob a bilibili Model Use License, inclusive para uso comercial, a menos que você tenha mais de 100 milhões de usuários mensais ou RMB 1 bilhão de receita anual. Sem API hospedada.
- Quais são as desvantagens de IndexTTS-2.5?
- Apenas cinco idiomas; sem benchmark independente nem posição em arena; a licença proíbe melhorar outros modelos e segue a lei da RPC; sem verificação de consentimento; texto longo perde prosódia nas emendas.
- Para quem IndexTTS-2.5 é indicado?
- Equipes de dublagem e áudio de games que trabalham em chinês, japonês ou inglês e precisam dirigir a emoção de uma voz clonada fala a fala.
- Quanto custa IndexTTS-2.5 para uma equipe ou em produção?
- Sem custo abaixo de 100 milhões de usuários ativos mensais ou RMB 1 bilhão de receita; acima disso, a Bilibili precisa conceder licença separada a seu critério. Fora isso, o custo é tempo de GPU.
- IndexTTS-2.5 é seguro para dados da empresa?
- Auto-hospedado, então trechos e texto ficam locais. A licença da bilibili torna você responsável por direitos de personalidade e de proteção de dados; o cartão diz que o modelo não verifica o consentimento das vozes clonadas.
- Quais são as melhores alternativas ao IndexTTS-2.5?
- As alternativas mais próximas que analisamos são Fun-CosyVoice3, VoxCPM2, Qwen3-TTS e Fish Audio Drama 3.
Respostas verificadas em 7 de nov. de 2026.