5 分钟上手 IndexTTS 2.5 便携包：不用装 Python、不挑显卡，本地离线跑语音克隆#

一、它是啥#

IndexTTS 2.5 是 B 站开源的 TTS 模型，主打音色克隆：给它一段 5–15 秒的参考录音，它就能用那个声音念你给的文字，还支持八维情感调节（喜怒哀乐惧等 0–1 连续可调）。

这个项目（indextts-portable）把它做成了一个自包含的便携包：

• 引擎用的是 audio.cpp 的 Windows Vulkan 构建，核心只有一个约 82 MB 的 C++ 二进制
• 推理走显卡但不挑厂商，没有 CUDA 绑定
• 自带一个网页界面，能力对齐官方 webui.py：参考音上传/录音、语言选择、情感向量、情感描述文本、预设管理、高级采样参数、分句设置

二、两种用法#

方式一：下载全量包（推荐小白）

作者把权重也打包好了（3.69 GB），夸克网盘下载，解压完直接跑 start-web.cmd，浏览器自动打开 http://127.0.0.1:8800/。

下载完建议校验一下文件完整性（PowerShell）：

1
Get-FileHash .\IndexTTS-2.5-Portable-v1.0.0-win-x64.7z -Algorithm SHA256
2
# 应为 CC1FD2A51756A54B31B43AB961C7BBFD2B863BAA8BE35A40443793F249B28706

方式二：git clone 自己装

1
git clone <仓库地址>
2
setup.cmd        # 第一次跑：自动从镜像下载约 4.2 GB 权重并校验
3
start-web.cmd    # 启动网页界面

三、3 步合成第一段语音#

1. 上传或录一段参考录音（5–15 秒、干净、只有一个人说话）。参考音质量直接决定合成质量，模型本身不带音色，你给什么它学什么
2. 粘贴文字，选语言（自动/中/英/日/西/阿）
3. 点「生成语音」，音频存到 out/

命令行也能用：

1
tts.cmd "朝辞白帝彩云间，千里江陵一日还。" -Emotion melancholic -Speed 0.85

四、几个实用技巧#

多音字注音（个人觉得最实用的功能）：

1
千里江陵一日<还|HUAN2>，轻舟已过万<重|CHONG2>山。

• 拼音必须带数字调号（1–4 声，5 轻声），ZHAO 和 ZHAO1 不是一回事
• 一个字一段：<出|CHU1><发|FA1>，不要合写
• ü 写成 v（lǜ → LV4）
• 拿不准就换同音字，念错没有提示，只能靠耳朵听

语速：网页上叫「时长系数」，0.5–2.0，大于 1 更慢。情感 + 偏慢语速 + 注音，输出就从「念稿」变「朗诵」。

随机种子：留空每次结果不同；填固定值则逐字节可复现。做 A/B 对比时先固定种子。

分句：默认不切最快。实测 20 字不分句 5.2 秒，切成 3 段慢 88%。长文本建议切分长度设 80 以上。

五、硬件要求与已知限制#

• 约 6 GB 空闲内存（权重整个映射进内存）+ 约 6 GB 显存
• 内存不够会报 GGML_ASSERT(ctx->mem_buffer != NULL)——不是程序坏了，关点浏览器/IDE 再试；显存不够可以切 CPU 后端，慢但能跑
• 只支持 Windows
• 网页服务只绑 127.0.0.1，局域网访问不到（有意的，安全）
• 想先白嫖听听效果？官方在魔搭挂了个在线演示，免费但单并发、要联网

六、授权红线（用之前必读）#

• 模型权重是 B 站模型许可，不是 Apache-2.0。量化 GGUF 属于衍生作品，公开发布要带上许可要求的免责声明
• 不得合成公众人物或未授权个人的声音，不得未经授权将合成声音用于商业目的
• 普通用户基本不受影响（门槛是月活 >1 亿或年营收 >10 亿才需单独商业授权）

七、总结#

项目地址和文档都在包里，skills/indextts-portable/ 还有一份给 AI 看的操作手册（含踩坑记录），有兴趣可以研究。

注：本文基于 IndexTTS-2.5-Portable v1.0.0 整理，使用前请以仓库最新 README 和许可文件为准。