INDEXTTS 2.5 テクニカルレポート
公式IndexTTS 2.5技術報告に基づき、5言語、アーキテクチャの変更、音声サンプルを整理します。
バージョン情報：当サイトの無料インタラクティブデモは現在IndexTTS2です。このページはIndexTTS 2.5の報告を紹介するもので、既存デモが2.5を実行しているとは主張しません。
公式サンプル言語
報告されたRTF向上
セマンティックコーデック
以下は公式プロジェクトページと技術報告に基づく要約です。
フレームレートを50 Hzから25 Hzに下げ、系列長と学習・推論コストを削減します。
Semantic-to-Melバックボーンを、より効率的なZipformerベースの構成に変更しています。
境界認識アラインメント、トークン連結、指示誘導生成によりクロスリンガル合成を実現します。
後学習でGRPOを用い、発音精度と自然さを改善します。
公式サンプルページでは、次の5言語でゼロショット音声クローンと感情音声を紹介しています。
技術報告の能力を、現在のオンラインデモで既に利用できる機能として見せないため、バージョンを分けて説明します。
ホームページでは既存のIndexTTS2 Hugging Faceデモを埋め込み、ブラウザ上で試せるようにしています。
公式IndexTTS 2.5ページでは研究内容と音声比較が公開されています。適切な公式実行版が利用可能になってから統合を検討します。
いいえ。現在のインタラクティブデモはIndexTTS2です。このページはIndexTTS 2.5公式技術報告の情報ページです。
公式ページでは中国語、英語、日本語、スペイン語、アラビア語が紹介されています。
下記の公式プロジェクトページ、arXiv技術報告、IndexTTS公式リポジトリで確認できます。