本文へスキップ

IndexTTS

ピンイン補正と間の制御を備えた GPT 方式の読み上げモデル

公式サイトを見る

IndexTTS とは

IndexTTS は GPT 方式のテキスト読み上げモデルと紹介され、主に XTTS と Tortoise をもとにし、中国語で文字とピンインの混合モデルを導入し BigVGAN2 で音質を高める。 数万時間のデータで学習し、公開された性質が学術研究と商業応用に適すると資料は説明する。

できること

  • ピンインで漢字の読みを正す
  • 句読点で発話の間を調整する
  • ゼロショットで音声を複製する
  • 中国語と英語の音声を合成する

活用場面

  • 音声アシスタントへ高品質の音声を供給する
  • 複数言語の朗読でオーディオブックを組み立てる
  • 動画制作でナレーションを素早く足す

導入の手順

  • GitHub のリポジトリからコードを取得またはダウンロードする
  • PyTorch などの依存ライブラリを導入する
  • 音声データを用意し前処理を行う
  • 用意されたスクリプトで学習するか学習済みモデルを読み込む

長所と短所

✓ 良い点

  • 中国語では文字とピンインの混合モデルを採用
  • 中国語と英語の高品質合成が挙がる
  • 数万時間のデータで学習と説明

! 注意したい点

  • XTTS と Tortoise を主な土台とする
  • 学習済みモデルの読み込みか学習が手順に含まれる
  • ピンイン補正は漢字の発音が対象

よくある質問

発音と間は何で制御する?

資料はピンインによる漢字の発音補正と句読点による間の制御を挙げる。

記された準備の手順は?

GitHub のリポジトリの取得、PyTorch などの導入、音声データの準備が含まれる。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法