IndexTTS2 入门指南：从模型概念到 macOS 安装实战

最近 B 站开源团队发布了 IndexTTS2 ------ 一个情感表达更细腻、时长可控、零样本音色克隆能力极强的自回归 TTS 系统。它在 GitHub 上已经 Star 破万，绝对是当下最热门的 TTS 项目之一。

这篇文章我会带你快速了解它的能力，然后手把手讲解如何在 macOS（尤其是 Apple Silicon 如 M1/M2/M3/M4） 安装并成功运行这个项目，包括你一定会踩的坑（例如：DeepSpeed 不支持 mac！）。

⭐ 1. IndexTTS2 简介

IndexTTS2 是 B 站团队推出的第二代大规模自回归 Text-to-Speech（TTS）模型。相比此前的 TTS 系统，它有三大核心亮点：

🔥 1. 支持精确时长控制（Auto-regressive Duration Control）

传统自回归 TTS 无法精确控制语音长度，而 IndexTTS2 能做到：

模式 A：显式指定生成 token 数
模式 B：自然韵律的自由生成

这意味着它不仅能做视频配音（严格对齐字幕/口型），也能做"自然风格"的朗读，一举两得。

😄 2. 强表达力的情感控制

IndexTTS2 设计了音色与情感二者完全解耦的策略：

模型能克隆音色（音色提示）
同时完美复刻指定的情感（情感提示音频或文本）

支持方式包括：

情感音频（emo_audio_prompt）
8 维情感向量（[happy, angry, sad...]）
文本生成情感（use_emo_text）
文本描述情感（emo_text 指定）

简直像做语音"定制魔法"。

🎧 3. 更清晰、更稳、更像真人

为了解决高表达情绪下 TTS 语音模糊的问题，团队引入：

GPT latent
三阶段训练范式
更强大的数据机制

实际听起来的效果非常自然，情绪流畅，人话味儿非常足。

如果你想快速体验，官方提供了多个 Demo：

HuggingFace
ModelScope
官网 Demo

⭐ 2. macOS 安装 IndexTTS2：一篇最全避坑指南

别看官方文档一句话写 "uv sync --all-extras"，mac 上这么干必报错！

最大元凶：DeepSpeed 无法在 macOS 编译。

下面我带你从零开始装，但确保不会踩坑，直接能跑 WebUI。

🍎 2.1 环境准备

Step 1：确保安装 Git 与 Git LFS

bash 复制代码

brew install git git-lfs
git lfs install

Step 2：克隆仓库并下载权重文件

bash 复制代码

git clone https://github.com/index-tts/index-tts.git
cd index-tts
git lfs pull

🍎 2.2 安装 uv（必须用 uv）

IndexTTS 官方强烈建议使用 uv，因为 pip 容易导致版本冲突。

快速安装：

bash 复制代码

pip install -U uv

⚠ 2.3 重要提醒：macOS 不能安装 DeepSpeed！

DeepSpeed 官方明确：

❌ 不支持 macOS
❌ 不支持 Apple Silicon
❌ 不支持 CPU-only
❌ 需要 CUDA toolchain

所以如果你执行：

复制代码

uv sync --all-extras

你一定会遇到你之前那个错误：

复制代码

Failed to build deepspeed ModuleNotFoundError: No module named 'setuptools'

这是伪报错，真正原因是 DeepSpeed 在 mac 上根本不能编译。

🍎 2.4 正确的 macOS 安装命令

你只需要：

bash 复制代码

uv sync --extra webui

不要：

❌ --all-extras
❌ --extra deepspeed

因为：

WebUI 是我们需要的
DeepSpeed mac 装不了
其他 extras 也一般不需要

这样会安装：

PyTorch（CPU 或 Metal）
BigVGAN
TTS 核心组件

而且不会出错。

🍎 2.5 下载模型权重（HuggingFace）

⭐ 2.6 启动 WebUI（mac 上可直接运行）

bash 复制代码

uv run webui.py

然后访问：

复制代码

http://127.0.0.1:7860

如果你是 Apple M4 等新芯片，可以打开 FP16 减少显存占用：

bash 复制代码

uv run webui.py --fp16

⭐ 2.7 Python 调用示例（最常用）

python 复制代码

from indextts.infer_v2 import IndexTTS2

tts = IndexTTS2(
    cfg_path="checkpoints/config.yaml",
    model_dir="checkpoints",
    use_fp16=True,  # Mac M 系列建议开启
    use_deepspeed=False,  # 必须关闭
)

text = "今天天气真不错，咱们一起去散步吧。"

tts.infer(
    spk_audio_prompt="examples/voice_01.wav",
    text=text,
    output_path="gen.wav",
    verbose=True
)

⭐ 3. 避坑总结（非常关键）

功能	macOS 支持情况
DeepSpeed	❌ 完全不支持
CUDA kernel	❌ 没 CUDA
GPU（Metal 加速）	✔ PyTorch 支持 Metal
FP16	✔️ 推荐开启
WebUI	✔ 正常运行
模型推理	✔ 速度尚可，音质优

所以 mac 上跑 IndexTTS2 完全没问题，只要避开 DeepSpeed。

⭐ 4. 结语

IndexTTS2 是目前最强的开源零样本语音生成模型之一，它不仅能克隆音色，还能做非常真实的情感表达，同时还支持精确控制时长，应用场景非常广：

AI 数字人
情感配音
视频口播
游戏角色语音
多场景 TTS