Bilibiliのオープンソースで産業グレードのゼロショット音声クローンモデル、IndexTTS-2.5。

Bilibiliのオープンソース産業グレードゼロショット音声クローンモデルIndexTTS-2.5は、わずか0.8B個のパラメータで、中国語、英語、日本語、スペイン語、アラビア語の5言語間でのクロス言語転送をサポートしています。このモデルは推論アーキテクチャを再設計しており、2.28倍の高速化と0.20という低リアルタイム性能を実現しています。また、0.5倍から2.0倍までの無段階音声速度調整をサポートし、ピンイン、CMU音素、日本語かなの3つの粒度で発音介入を提供します。