[ComfyUI]Index-TTS2声音生成克隆王者登基：影视级别效果—零样本克隆+情绪控制，重塑配音新体验

一、Index-TTS2简介：

IndexTTS2是一款备受瞩目的新一代文本转语音（TTS）大模型，它以其能达影视级水准的高质量语音合成效果而引人注目。这款模型不仅支持完全本地化部署并计划开放权重，极大赋能开发者；更拥有强大的零样本语音克隆能力以及全球首创的情绪与时长精细控制功能，标志着TTS技术迈入了新高度，未来在影视制作、虚拟角色乃至日常交互等场景都极具颠覆性潜力。

github地址：https://index-tts.github.io/index-tts2.github.io/

IndexTTS2的优势

1.完全本地化+开放权重：开发者狂喜的“自由度”

对于开发者来说，最头疼的莫过于技术门槛高、依赖云端服务、成本居高不下。而IndexTTS2直接给出了解决方案——完全本地化部署+开放模型权重！这意味着，无论是个人开发者还是企业用户，都能在自己的设备上轻松运行模型，无需联网、无需付费订阅，想怎么用就怎么用。这种“零束缚”的体验，不仅降低了使用成本，更让TTS技术能快速落地到各种场景中，比如虚拟主播、智能客服、有声书制作等，真正实现了“技术普惠”。

2.零样本语音克隆：10秒音频，还原你的“专属声线”

传统TTS模型想要克隆一个人的声音，往往需要大量训练数据，耗时又费力。但IndexTTS2直接“开挂”——零样本语音克隆技术，只需提供一段10秒左右的音频（支持任意语言），模型就能精准捕捉音色、风格、节奏，甚至方言口音，克隆出几乎一模一样的声音。

据测试，它的效果已经超越了当前最先进的本地化TTS模型（如MaskGCT和F5-TTS），无论是温柔女声、磁性男声，还是搞怪卡通音，都能轻松搞定。这对于需要个性化配音的场景（比如短视频创作、游戏角色配音）来说，简直是“神器”级别的存在。

3.全球首创：情绪克隆+文本情绪控制，让声音“有血有肉”

声音的魅力，不仅在于“说什么”，更在于“怎么说”。IndexTTS2在情绪表达上玩出了新花样——零样本情绪克隆和文本情绪控制双管齐下。

• 零样本情绪克隆：你只需提供一段带有情绪的音频（比如愤怒的咆哮、温柔的低语），模型就能学会这种情绪，并在后续生成语音时完美复现。
• 文本情绪控制：更厉害的是，你甚至不需要音频参考，直接在文本里标注情绪（比如“[愤怒]你为什么迟到？”），模型就能自动调整语调、语速、音量，生成符合情绪的语音。

这种“情绪自由”的能力，让语音不再是冰冷的机器声，而是能传递喜怒哀乐的“活人音”。无论是电影配音、动画角色，还是情感类AI助手，都能因此更具感染力。

二、Index-TTS2安装(文末网盘附模型+插件以及独立整合包)：

comfyui插件地址：https://github.com/billwuhao/comfyui_IndexTTS

插件requirements.txt注释掉如下几行（为了安装轮子的兼容性，防插件冲突）：

V2模型下载：（文末网盘有合集）

模型手动下载到 ComfyUI\models\TTS 下的指定文件夹：

• https://hf-mirror.com/nvidia/bigvgan_v2_22khz_80band_256x/tree/main

• https://hf-mirror.com/funasr/campplus/tree/main

• https://hf-mirror.com/IndexTeam/IndexTTS-2/tree/main

• https://hf-mirror.com/amphion/MaskGCT/tree/main/semantic_codec

• https://hf-mirror.com/facebook/w2v-bert-2.0/tree/main

transformers版本4.51.3 轮子安装（本地环境推荐大家更新到torch2.7+cuda12.8）：

• pynini轮子安装：https://github.com/billwuhao/pynini-windows-wheels/releases/tag/v2.1.6.post1
• deepspeed轮子重新安装：https://github.com/6Morpheus6/deepspeed-windows-wheels/releases

本地环境推荐大家更新到torch2.7+cuda12.8，因为现在很多轮子是对这个支持比较好，上面deepspeed轮子最低要求也是这个。

V2重要参数说明（全是可选的）：

deepspeed: 是否开启 deepspeed 加速（需要先安装deepspeed）。
emo_audio_prompt: 第一个说话人，情绪音频参考。
emo_alpha: 第一个说话人，情绪强度。
emo_vector: 第一个说话人，情绪控制向量，英文格式输入类似这样的列表 [0, 0, 0, 0, 0, 0, 0.45, 0]（每一个强度范围0-1，表示惊喜强度 0.45），数字分别对应 : [Happy, Angery, Sad, Fear, Hate, Low, Surprise, Neutral]， 几乎无限组合。
use_emo_text: 第一个说话人，是否开启提示词控制情绪。如果使用提示词控制，情绪参考音频失效。
emo_text: 第一个说话人，情绪控制提示词。随便写，例如 哭哭。。。苦苦。。。
use_random: 第一个说话人，是否开启随机性。
emo_audio_prompt_s2: 第二个说话人，同上。
emo_alpha_s2: 第二个说话人，同上。
emo_vector_s2: 第二个说话人，同上。
use_emo_text_s2: 第二个说话人，同上。
emo_text_s2: 第二个说话人，同上。
use_random_s2: 第二个说话人，同上。

所有 TTS 节点的说话者音频全部统一放到 ComfyUI\models\TTS\speakers 路径下, 这些节点包括 IndexTTS, CSM, Dia, MegaTTS, QuteTTS, SparkTTS, StepAudioTTS 等.

三、工作流体验

效果参考：

四、总结：TTS技术的“新标杆”，未来已来

IndexTTS2的出现，无疑为TTS领域树立了新的标杆——影视级音质、零样本克隆、情绪自由、精准时长控制，这些功能不仅解决了传统模型的痛点，更打开了无数新的应用场景。无论是专业影视制作、虚拟角色开发，还是日常语音交互，它都能带来颠覆性的体验。

如果你对TTS技术感兴趣，或者正在寻找更强大的配音工具，不妨直接下载IndexTTS2到comfyui。毕竟，能让声音“活”起来的黑科技，谁不想试试呢？