当前位置：首页 > news >正文

IndexTTS2今夕版最新版本号2026-04-12再次更新新添加功能SRT字幕文件生成音频以及生成音频同时生成SRT 字幕文件

news 2026/7/26 10:33:35

简介说明

IndexTTS2今夕版最新版本号2026-04-12再次更新新添加功能SRT字幕文件生成音频以及生成音频同时生成SRT 字幕文件
本项目基于 `IndexTTS2` 搭建，提供本地化的零样本文本转语音能力。
它可以通过一段参考音频克隆音色，并结合文本内容生成对应语音；同时支持情感控制、术语读音管理、
示例管理和 WebUI 交互操作，适合用于配音、角色语音生成、短句播报、内容创作和本地测试。

当前项目的主要入口是 [webui.py](/e:/index-tts-main/webui.py)，启动后可通过浏览器进行操作。

## 核心能力

### 1. 零样本音色克隆

- 上传一段参考音频后，可以让模型模仿该说话人的音色生成新语音。
- 支持直接上传本地音频，也支持在界面中管理和复用参考音频。

### 2. 文本转语音生成

- 输入目标文本即可生成语音。
- 支持中文和英文场景。
- 可结合参考音频实现“同音色不同文本”的语音生成。

### 3. 情感控制

项目支持多种情感控制方式：

- 与音色参考音频保持相同情感
- 使用单独的情感参考音频
- 使用情感向量控制
- 使用情感描述文本控制

可用于生成平静、喜悦、低落、愤怒等不同风格的语音表达。

### 4. 分句生成与高级参数控制

- 支持长文本自动分句处理。
- 可设置每段最大 Token 数，平衡生成质量与速度。
- 可调节采样参数，如 `top_p`、`top_k`、`temperature`、`num_beams`、`repetition_penalty`、`max_mel_tokens` 等。

适合对生成结果进行更细粒度的控制。

## WebUI 扩展功能

除了模型原有能力外，本项目的 WebUI 还额外加入了适合日常使用的功能增强。

### 1. 多音字文本预处理

- 可在生成前对指定关键词做文本替换。
- 适合修正多音字、固定发音和特殊口语读法。
- 支持添加、更新、删除规则。
- 支持词库导入与导出。
- 支持预处理结果预览和复制。

例如：

```text
倒 -> dao3
```

生成前可把特定词语替换成期望读音，减少错误发音。

### 2. 自定义术语词汇读音

- 可为专业术语、自定义词汇、品牌名、人名等设置单独读法。
- 支持分别设置中文读法和英文读法。
- 适合处理模型默认发音不准确的专有词汇。

### 3. 停顿与拉长音控制

当前 WebUI 支持在文本中直接使用简码控制停顿和局部拉长音。

支持的停顿写法：

```text
[pause=300]
[sil=500]
【停顿=200】
```

支持的拉长音写法：

```text
啊~
啊~~
啊~~~
啊[stretch=1.4]
嗯[elong=1.5x]
好[拉长=1.3倍]
```

示例：

```text
今天天气真好啊~[pause=300]我们继续测试。
```

说明：

- 停顿建议单次 `200~500ms`
- 拉长音建议 `1.1~1.6` 倍
- 连续 `~` 会逐步加长
- 倍数过大可能出现不自然或杂音
- 当前“拉长音”更适合做轻微拖尾感，不适合追求特别夸张的长音延展

重点更新

### 4. SRT 字幕文件处理

新增强大的字幕文件处理能力，支持基于时间轴的精确音频生成。

#### 字幕文件上传与生成
- 支持直接上传 `.srt` 格式字幕文件
- 根据字幕时间戳自动生成对应时段的音频内容
- 支持同时输出生成的 SRT 字幕文件
- 智能解析标准 SRT 格式（时间戳+文本内容）

#### 字幕格式预处理工具
- 自动检测和修复字幕时间段重叠问题
- 基于文本长度智能估算音频时长
- 批量调整时间戳，避免手动处理繁琐
- 处理结果可预览和下载保存

#### 智能防冲突机制
- 上传 SRT 文件时自动清空文本输入框
- 防止文本输入和字幕上传功能同时使用导致冲突
- 提升用户操作体验和生成质量

更多功能

### 5. Examples 示例管理

WebUI 提供了示例数据管理能力，方便快速复用常用配置。

- 支持把当前配置保存到 `Examples`
- 支持按名称筛选
- 支持关键字搜索
- 支持分页浏览
- 支持切换每页显示数量
- 支持删除示例
- 支持显示当前选中示例，避免误删

适合保存常用的角色音色、情感组合和测试文本。

### 5. 参考音频管理

支持对参考音频进行本地管理：

- 搜索
- 分页查看
- 预览播放
- 选中回填
- 上传新音频
- 替换旧音频
- 重命名
- 删除

适合维护自己的音色素材库。

## 适用场景

本项目适合以下场景：

- AI 配音与旁白生成
- 角色台词生成
- 有声内容创作
- 短视频配音
- 术语播报与专业文本试读
- 本地化 TTS 调试与实验

## 使用方式概览

### 启动

常见启动方式：

- 运行 [start_webui.bat](/e:/index-tts-main/start_webui.bat)
- 或直接运行 [webui.py](/e:/index-tts-main/webui.py)

### 基本流程

1. 上传或选择音色参考音频
2. 输入要生成的文本
3. 按需设置情感、术语读音、多音字规则、停顿或拉长音
4. 点击“生成语音”
5. 在生成结果中试听和保存

## 项目特点总结

- 支持零样本音色克隆
- 支持情感控制
- 支持术语和多音字发音修正
- 支持文本内停顿与拉长音控制
- 支持示例库和参考音频库管理
- 提供本地 WebUI，适合中文用户直接使用

## 说明

- 精确时长控制是 `IndexTTS2` 的研究方向之一，但公开版并未完全开放所有原生时长控制能力。
- 当前项目中的“停顿”和“拉长音”功能，主要通过 WebUI 层的分段合成与后处理实现，适合实际使用，但并不等同于模型原生公开接口。
- 其中“停顿”效果相对稳定；“拉长音”当前更接近自然拖尾的近似控制，而不是严格意义上的模型原生延音。
- 如果对人声自然度要求较高，建议优先使用停顿控制，并把拉长音控制在较小范围内。
- 如果后续需要，还可以继续扩展更多文本控制简码，例如重音、弱读、局部变速等。