摘要：你有没有注意到，最近B站上出现了不少让人忍不住反复看的AI配音视频？ 无论是英文版《甄嬛传》，还是“曹操大战孙悟空”，这些作品里的声音，不仅像极了原角色，连细腻的情感和语调都能还原得惟妙惟肖。

你有没有注意到，最近B站上出现了不少让人忍不住反复看的AI配音视频？ 无论是英文版《甄嬛传》，还是“曹操大战孙悟空”，这些作品里的声音，不仅像极了原角色，连细腻的情感和语调都能还原得惟妙惟肖。

最关键的是，这些声音全都是AI自动生成，根本不需要真人配音。

这些“神操作”背后，正是哔哩哔哩Index团队最新开源的 文本转语音大模型——IndexTTS-2.0。

自从模型Demo上线，全球各地的开发者都被吸引了过来。

仅在Github，这个项目的star数就已经超过一万。

显然，这不是普通的AI小工具，而是一次彻底颠覆行业的技术升级。

其实，AI文本转语音（TTS）这些年在自然度和表现力上进步很大，但有两个“老大难”问题一直困扰行业。

第一个是生成的语音时长难以精确控制，遇到视频配音或者音画同步需求经常“卡壳”；第二个是声音虽然能听，但情感不够丰富，容易让人觉得“假”。

IndexTTS2最大突破点，就是在自回归（AR）模型上也能实现“按需定制”时长，且不影响声音的自然度和情感。

核心原理其实不复杂：用token数量来约束生成时的长度，并且把这个信息“硬塞”进模型的输入里，让AI生成多少就是多少。

实验数据直接亮出来：在0.75倍到1.25倍速变速测试下，IndexTTS2的token数量误差率几乎都压到0.02%以内。

也就是说，现在AI配音终于可以和专业配音演员一样，“一字不差、一秒不差”，无论做视频还是AI广播剧，音画都能严丝合缝。

不仅如此， IndexTTS2还创新性地把“音色”和“情感”进行了有效解耦。

用户既可以用一段音频示例作为“音色参考”，也可以单独指定情感参考，甚至还能用自然语言描述来引导情绪。

比如，你可以让AI用A的声音，配上B的愤怒或C的惊喜，实现前所未有的配音自由度。

情感输入方式也很灵活，不仅支持音频，还能用“情绪向量”或纯文本描述，极大降低了普通用户的上手门槛。

IndexTTS2的出现，意味着零样本TTS正式进入“情感可控+时长精确”的双维度时代。

对于AI配音、视频翻译等下游场景，不只是提升了可用性，更是把未来语音合成技术的发展推向了一个新方向——怎么让AI在自然流畅的基础上，实现细腻的情感、语调和时长控制，最终服务于更丰富的交互式应用。

值得一提的是，IndexTTS2的模型权重与代码已经全部开放，开发者和研究者都可以在此基础上DIY属于自己的语音应用。

这不仅会加速我国AIGC行业的创新，也让全球内容生产者和开发者都能参与到AI声音的下一个时代。

总之，AI配音变天了，B站的这项开源技术，正让零样本TTS“飞入寻常百姓家”。

未来的视频和内容产业，将因为这项技术而变得更加丰富和智能。

来源：3分钟娱记一点号