8 月 10 日 B 站 IndexSpeech 团队开源了 IndexTTS 2.5，这是一款 0.8B 参数的工业级零样本 TTS。我去 CV3-Eval 评测表里扒了一圈，第一反应是——现在的 TTS 已经不是在比谁参数多了。
它在 5 个语种（中文、英文、日语、西班牙语、阿拉伯语）零样本克隆的横向评测里，把 8B 的 Moss-TTS 1.5 和 22B 的 VoxCPM 都按在了地上。仓库上线 16 天已经攒了 22.7k Star，GitHub Trending 持续挂了好几天。模型权重走的是 Bilibili Model License，ModelScope 和 HuggingFace 双开，论文 arXiv 2601.03888。
观点一：0.8B 在 SS 平均分上反超了 22B
SS（音色相似度）这个指标更接近”听感像不像原声”，WER（词错误率）更接近”听不听得清”。两边分开看：
- WER 平均：IndexTTS 2.5-RL（强化学习版）6.00，5 个对手里最低，比 VoxCPM 22B（7.22）低 1.22 个点
- SS 平均：IndexTTS 2.5-RL 73.63，高于 22B 的 VoxCPM（72.02）和 8B 的 Moss-TTS 1.5（68.56）
这个结果挺反直觉的。22B 模型用了近 28 倍的参数量，被 0.8B 在两个维度同时反超。听起来像是小模型”以小博大”，但更准确的说法是：堆参数这条路线在 TTS 上不像在 LLM 上那么管用。
另外注意，CV3-Eval 评测集在选样上对发音清晰度的覆盖比较均匀，日常听感跟 SS 这个数字的对应关系大概是”听两三个 demo 就能明显感受到差异”。
观点二：跨语种音色迁移才是真正的杀手锏
单一语种的声音克隆已经不稀奇了。Fish Audio S2、CosyVoice 3、Qwen3-TTS 都能做到。IndexTTS 2.5 让我更在意的，反而是它的跨语种音色迁移。
意思是：录入一段中文参考音频（3 秒左右），让模型用这个声纹直接说英文、日文、西班牙文、阿拉伯文。音色保留，语种切换。
<img src="
” alt=”跨语种音色迁移 WER 对比” style=”max-width: 100%; border-radius: 8px; box-shadow: 0 4px 16px rgba(0,0,0,0.1);” />
同样用中文参考音频测跨语种：
- 中文 → 日语：IndexTTS 2.5-RL WER 6.38，Moss-TTS 8B 11.52，VoxCPM 22B 11.84
- 中文 → 阿拉伯语：IndexTTS 2.5-RL 9.89，VoxCPM 22B 11.09，Moss-TTS 8B 17.03
22B 的 VoxCPM 在英语上赢了一点点（4.48 vs 3.55）—— 但在其他三个语种上都输给 IndexTTS。这条指标对中文用户很实际：录自己的声音，就能批量生成多语种配音的播客、有声书旁白、短视频出海版本，不用找多国配音演员。
观点三：参数不是关键，工程细节才是
IndexTTS 2.5 是怎么做到的？我去翻了 README 和论文，挑三个有意思的：
1. 语义 codec 帧率从 50Hz 降到 25Hz。生成阶段的 token 数量直接腰斩，推理开销跟着降。T2S 模块 RTF 从 0.232 降到 0.119，速度翻倍。
2. S2M 模块从 U-DiT 换成 Zipformer。这是语音合成的核心步骤，把语义 token 转成梅尔频谱。在 A10 测试卡上，S2M 模块的 RTF 从 0.078 降到 0.017，又快了 4 倍多。Zipformer 在 ASR 圈子里是老朋友了（kaldi 系），团队把它搬到 TTS 上算是工程上的一个选型胜利。
3. GRPO 强化学习优化听感。用可听度奖励直接优化最终听感，而非中间损失。这是 IndexTTS 2.5 相对 2.0 最大的训练策略变化——也是 RL 版 WER 能再往下打 0.75 个点的关键。
<img src="
” alt=”IndexTTS 2.5 性能对比” style=”max-width: 100%; border-radius: 8px; box-shadow: 0 4px 16px rgba(0,0,0,0.1);” />
三个动作加在一起，没有一项是靠”加大模型”。
本地能不能跑？16GB 的 Mac 算了一下
我自己的主力机是 16GB 统一内存的 Mac，平时跑一个 30B 级本地大模型，已经是充分利用内存了。IndexTTS 2.5 加上声码器，按 bf16 估：
- 0.8B bf16 模型本体 ≈ 1.6GB
- T2S + S2M + 解码器中间态 ≈ 2-3GB
- 留出 8-10GB 给 OS 和主 LLM
理论上 16GB Mac 能跑，但跟那个 30B 模型不能同时在线，要么拿来跑 TTS、要么开 LLM，得二选一。4090 的 RTF 0.21（约 5 倍实时）听起来很快，Mac 上预期要砍半，1 秒音频约 1-2 秒生成——做实时通话不够，做离线有声书足够。
实测要等我自己摸到一台 24GB 的机器才能下结论，这是留给下一轮的 TODO。
如果纯做短文本 TTS、不需要克隆音色，更轻的路线也有：Kokoro（82M，CPU 就能跑）已经能满足多数播报场景；Qwen3-TTS（1.7B）跟 IndexTTS 2.5-WER 接近，生态成熟一些；CosyVoice 3（0.5B / 1.5B）中文调得更细。选 TTS 不能只看榜单，跟模型主流程和你的语言环境强相关。
一句话
TTS 这个赛道正在被卷到一个新维度——参数不再是主战场，工程细节、训练方案、跨语种能力才是分水岭。B 站这次开源的诚意值得点赞，但 Bilibili Model License 不是 Apache 2.0，企业商用前要细看条款。个人玩玩、写写有声书、做做短视频配音，完全够用。
参考资料 ｜ arXiv 2601.03888 ｜ GitHub index-tts/index-tts（22.7k★） ｜ ModelScope / HuggingFace 模型仓库 IndexTeam/IndexTTS-2.5 ｜ 官方 Demo：index-tts2-5.github.io
性能数据来源：CV3-Eval 评测（GitHub README 引用）+ IndexTTS 2.5 官方 README（2026.08.10 更新）
封面图与正文图均为基于公开数据的自制示意图，非官方截图。