本项目基于 IndexTTS2 官方模型，提供了 FastAPI 与 Flask 两种 Web 接口实现，支持：
- 🗣️ 语音克隆
- 🎭 情感控制
- 🔄 音色迁移
⚠️ 重要提示：examples/目录中的示例音频文件 不可直接使用（部分未包含或格式不兼容），请务必上传您自己的参考音频。
✅ 推荐用于 API 调用
基于 FastAPI 的高性能异步接口，适合：
- 前后端分离项目；
- 自动化批量调用；
- 与其他系统集成。
启动命令：
uvicorn app_fastapi:app --host 0.0.0.0 --port 8000API 文档地址：
👉 http://localhost:8000/docs
✅ 推荐用于本地调试或 Web 演示
基于 Flask 的简易网页界面，支持表单上传和音频播放功能，适合快速测试。
启动命令：
python app.py访问地址：
👉 http://localhost:7860
❌ 原始音频不可用！
官方仓库中的示例音频未包含在本项目中，或因模型版本差异无法使用。
请上传您自己的音频文件（建议 3～10 秒，背景噪音少）：
| 参数 | 说明 | 是否必填 |
|---|---|---|
ref_audio |
音色参考（克隆说话人） | ✅ 必填 |
emo_audio |
情感参考（控制语气） | ⚙️ 可选 |
按官方指南下载模型到 checkpoints/ 目录：
uv tool install "modelscope"
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints# 方式一：FastAPI（API 接口）
uvicorn app_fastapi:app --host 0.0.0.0 --port 8000
# 方式二：Flask（Web 界面）
python app.py| 参数名 | 类型 | 说明 |
|---|---|---|
text |
str | 要合成的文本（必填） |
ref_audio |
file | 音色参考音频（必填） |
emo_audio |
file | 情感参考音频（可选） |
emo_vector |
list[float] | 8 维情感向量 [高兴,愤怒,悲伤,害怕,厌恶,忧郁,惊讶,平静] |
emo_alpha |
float | 情感权重（0.0–1.0） |
use_random |
bool | 随机情感采样 |
use_emo_text |
bool | 是否根据文本自动生情感 |
emo_text |
str | 单独的情感文本 |
- 首次运行较慢（模型加载 + 权重初始化）；
- 支持的音频格式：
.wav,.mp3,.flac,.aac,.m4a,.ogg； - 请勿上传空文件或非音频文件；
- 情感控制效果取决于参考音频的情绪表现；
- 所有生成的音频文件默认保存在
outputs/目录。
- Flask 版本提供可视化界面与文件上传；
- FastAPI 版本提供 RESTful JSON 接口；
- 支持情感向量（
emo_vector）与文本情感 (use_emo_text)； - 内置 FFmpeg 转码逻辑（自动转换为单声道 22.05kHz PCM WAV）；
- 错误处理更健壮：空文件、非法格式、无效情感音频将被忽略并提示。
本项目基于 IndexTTS2 开发，感谢 Bilibili IndexSpeech 团队 的开源贡献！
如需商业合作，请联系官方邮箱：
📧 indexspeech@bilibili.com