本地语音合成实战：IndexTTS 部署指南，一段音频克隆你的声音，让 AI 开口说话
上个月我们聊了 Whisper，让 AI 把…
上个月我们聊了 Whisper，让 AI 把会议录音、视频字幕“听”明白。今天反其道而行之，聊聊怎么让 AI“开口说话”——也就是本地文本转语音（TTS）。主角是 B 站 Index Team 开源的 IndexTTS，一个零样本语音合成系统：你只需丢给它一段十几秒的参考音频，它就能克隆出这个音色，念出你写的任意文字。GitHub 上 2.3 万 star，2026 年 8 月刚发布 2.5 版本，支持中英日西阿五种语言，还带细粒度情感控制。关键是——全程本地跑，声音数据不出门。
为什么偏偏是 IndexTTS
开源 TTS 不少，XTTS、CosyVoice、Fish-Speech、GPT-SoVITS 各有拥趸。IndexTTS 值得单独写一篇，是因为它在“可控性”上做得最细。2.5 版本只有 0.8B 参数，消费级显卡就能跑，在 CV3-Eval 评测里中文错词率低到 3.6% 上下，说话人相似度领先一批同档模型。更重要的是这几个能力：情感与音色解耦（音色一套，情绪单独指定）、8 维情感向量、拼音/音素级发音控制、语速 0.5–2.0 倍可调。对做配音、播客、口播视频的朋友来说，这几个控制项是刚需。
环境准备
部署前先对齐环境：一台带 NVIDIA 显卡的机器（消费级就够，我在自己 PVE 节点上分出的 24G 卡跑得很顺），系统装好 git，再装一个 uv。官方现在强烈建议用 uv 管理这个项目的 Python 环境，别再手动 pip 了——依赖锁得死死的，装得还快。另外，后面如果遇到 CUDA 报错，先检查 CUDA Toolkit 是不是 12.8 以上。
安装与下载模型
git clone https://github.com/index-tts/index-tts && cd index-tts
uv sync --all-extras然后下载模型，二选一。HuggingFace 方式：
uv tool install "huggingface_hub[cli]"
hf download IndexTeam/IndexTTS-2 --local-dir=checkpoints国内直连 HF 慢的话，走 ModelScope 或者设镜像：
uv tool install modelscope
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints
# 或者给 HuggingFace 设国内镜像
export HF_ENDPOINT=https://hf-mirror.com模型有几个 G，下载完会放在项目根目录的 checkpoints 文件夹里。
启动 WebUI 先跑通
uv run tools/gpu_check.py # 先确认显卡被正确识别
uv run webui.py # 启动后浏览器打开 http://127.0.0.1:7860WebUI 上手就三步：上传一段参考音频 → 输入要合成的文字 → 点生成下载 wav。想先体验效果的，直接走这条路最快。
用 Python 脚本做批量调用
WebUI 适合尝鲜，真要做自动化（批量为短视频配音、给文章生成音频版），还是得上 Python 脚本。项目自带推理接口，一个文件搞定：
from indextts.infer_v2 import IndexTTS2
tts = IndexTTS2(
cfg_path="checkpoints/config.yaml",
model_dir="checkpoints",
use_fp16=True, # 半精度，更快更省显存
use_cuda_kernel=False,
use_deepspeed=False,
)
tts.infer(
spk_audio_prompt="examples/voice_01.wav", # 你的参考音频
text="你好，欢迎来到IT大叔的频道，今天聊聊本地语音合成。",
output_path="gen.wav",
verbose=True,
)保存成 gen.py 后用 uv run gen.py 跑。如果 import 报找不到模块，把项目根目录加进 PYTHONPATH：export PYTHONPATH=$PYTHONPATH:.。用 2.5 版本就把 import 换成 from indextts.infer_v2_5 import IndexTTS2，并在 infer 里加 lang="ZH" 参数。
情感控制才是精髓
IndexTTS 最让我惊喜的是情感控制。它有四种玩法：默认跟参考音频走、单独给一段情感参考音频（emo_audio_prompt）、直接喂 8 维情感向量、或用文字描述情绪。情感向量按 [高兴, 愤怒, 悲伤, 害怕, 厌恶, 忧郁, 惊讶, 平静] 排列。比如想合成一句带着明显悲伤的话：
tts.infer(
spk_audio_prompt="examples/voice_01.wav",
text="对不起嘛，我的记性真的不太好。",
output_path="gen_sad.wav",
emo_vector=[0, 0, 0.8, 0, 0, 0, 0, 0], # 悲伤拉满
verbose=True,
)配合 emo_alpha（0–1，情感强度）和 duration_factor（0.5–2.0，语速）能调出很细的层次。发音控制更绝，中文可以直接在文本里标拼音：比如“他在银行里行走了半天”里的多音字，写成 <行|XING2> 和 <行|HANG2> 就能精确指定读音，念错字基本不可能。
避坑清单
最后把部署时最容易踩的几个坑一次性列出来：
- HF 模型下不动：设
export HF_ENDPOINT=https://hf-mirror.com，或直接走 ModelScope。 - CUDA 报错：检查 CUDA Toolkit 是否 12.8 以上，Windows 上尤其常见。
- Windows 装 DeepSpeed 难：去掉
--all-extras，手动只装 webui 等必要项。 - 别手动激活 .venv 后再跑 uv 命令，会导致依赖冲突，直接
uv run即可。 - 显存吃紧就开半精度：2.5 用 BF16、2.0 用 FP16，质量几乎无损。
- 首次运行会自动下载一些小的前端模型，别当成卡死了。
写在最后
把 IndexTTS 和之前的 Whisper 串起来，本地就凑齐了一条完整的语音链路：录音进去 → 转成文字（Whisper）→ 处理后 → 合成语音（IndexTTS），全程不出内网。对看重隐私、又经常做内容的朋友来说，这套组合拳很实用。提醒一句：项目用的是 bilibili 的模型使用许可，商用前先读一下 LICENSE 和免责声明。下次我们聊聊怎么把这两个模型挂到 vLLM 上，做成生产级服务。
