Bilibili 推出了全新升级的IndexTTS2，一种兼顾音质情感与时长控制的 TTS 模型。该系统支持两种生成模式：用户可显式指定语音标记数量以精确控制语音长度，或让模型自由生成自然节奏的语音内容。

在大规模文本转语音（TTS）系统中，自回归模型虽然在语音自然度方面表现出色，但因其逐标记生成的机制，难以实现对语音时长的精准控制。这在如视频配音等需要严格音视频同步的场景中成为一大限制。

IndexTTS2 不仅在时长控制方面实现突破，还实现了情感表达与音色的解耦。它支持从不同来源获取音色提示和情感提示，并在零样本（zero-shot）条件下复现复杂的情绪风格。为提升强情感表达时的语音清晰度，系统还引入了 GPT 模型的潜在表示，从而提升语音的稳定性与可听度。同时，Bilibili 团队设计了基于自然语言的“软指令”机制，借助微调后的 Qwen3 模型，让用户可以直接用文字描述情感（如“温柔地说”）引导语音生成，极大降低了情绪控制的门槛。

配音更“像个人”，IndexTTS2 的核心突破

• 精准时长控制：IndexTTS2 是全球首个在自回归（AR）架构下实现精确语音时长控制的零样本TTS模型。传统自回归模型因逐标记生成机制难以控制时长，而IndexTTS2支持两种模式：用户可显式指定标记数量以精确控制时长，或由模型自由生成自然节奏语音。这对视频配音等需音画同步的场景至关重要 。
• 情感与音色解耦：通过分离音色提示（timbre prompt）和情感提示（style prompt），模型能在零样本条件下复现复杂情绪，且支持从不同来源分别获取两类提示（如用A音频的音色+B音频的情感生成语音）。
• 自然语言情感控制：引入基于Qwen3微调的"软指令"机制，用户可直接用文字描述情感（如"温柔地说"），大幅降低操作门槛 。
• 语音克隆：零样本模式下仅需5秒参考音频即可克隆音色，少样本模式通过1分钟训练进一步提升真实感 。