開源語音模型 IndexTTS 2.5 發布：推論加速 2.28 倍，支援中英日等五語零樣本情感轉移

據開發團隊於社群平台發布的消息，開源文字轉語音（TTS）基礎模型 IndexTTS 2.5 正式推出，主打多語言覆蓋、新語言的零樣本（Zero-shot）情感轉移，以及 2.28 倍的推論速度提升。該版本透過四項關鍵技術進行升級：首先是語義編解碼器壓縮，將幀率從 50 Hz 降至 25 Hz，使序列長度減半，大幅降低訓練與推論成本。其次在架構上，將 Semantic-to-Mel（S2M）模組的 U-DiT 骨幹替換為更高效的 Zipformer 架構，減少參數量的同時加快梅爾頻譜圖（mel-spectrogram）生成速度。第三是多語言擴展，透過邊界感知對齊、Token 級別拼接與指令引導生成等跨語言建模策略，在無需目標語言情感訓練資料的情況下，實現支援中文、英文、日文、西班牙文與阿拉伯文的零樣本情感轉移。最後，團隊在 Text-to-Semantic（T2S）模組的後訓練階段導入群組相對策略最佳化（GRPO）強化學習，以提升發音準確度與自然度。官方已釋出演示頁面，並支援透過 vLLM 進行推論部署；其展示的評測對象包含 CosyVoice 3、Fish Audio S2 Pro 等多款開源語音模型。