IndexTTS ist ein auf GPT-basierendes Text-to-Speech-(TTS)-Modell, das hauptsächlich auf XTTS und Tortoise basiert. Es kann die Aussprache von chinesischen Schriftzeichen durch Pinyin-Korrektur verbessern und Pausen durch Satzzeichen steuern. Das System führt im chinesischen Kontext eine Methode der gemischten Modellierung von Zeichen und Pinyin ein, wodurch die Trainingstabilität, die Ähnlichkeit der Stimmlage und die Klangqualität deutlich verbessert werden. Darüber hinaus integriert es BigVGAN2 zur Optimierung der Audioqualität. Das Modell wurde mit zehntausenden Stunden Daten trainiert und übertrifft aktuelle TTS-Systeme wie XTTS, CosyVoice2 und F5-TTS. IndexTTS eignet sich für Szenarien, die eine hochwertige Sprachsynthese benötigen, wie z. B. Sprachassistenten und Hörbücher. Seine Open-Source-Natur macht es auch für akademische Forschung und kommerzielle Anwendungen geeignet.