IndexTTS 2/2.5 轻量版、Qwen3-TTS 轻量版:支持AMD、Intel、NVIDIA显卡和Mac,2GB显存可跑

先说结论:上线了什么,谁能用

这次上线的是三款语音合成(TTS)应用的轻量版:

应用 语言覆盖 特色能力 显卡要求
Qwen3-TTS 轻量版 中、英、日、韩等 10 种语言 三种出声音方式:Custom Voice 内置音色、Voice Design 文本设计音色、3--5 秒零样本克隆;约 97 毫秒低延迟 独显 2GB 显存起;NVIDIA 4GB 以上可考虑原版
IndexTTS 2 轻量版 中文、英文 情感向量 + 自然语言描述双路情感控制、拼音纠正多音字、超长文本合成 独显 4GB 显存起;NVIDIA 8GB 以上装原版
IndexTTS 2.5 轻量版 中、英、日、西、阿 5 种语言 情感控制方式同上,另支持 0.5--2.0 倍语速调节、拼音/CMU 音标/假名三路发音控制、超长文本合成 同上

三款共同的基本条件:内存最低 16GB,磁盘预留 10GB 以上。Windows 10/11 和 macOS 15 及以上都支持,Mac 的分支要求见下一节。

同机实测:轻量版反而更快。 同一台电脑、同一篇 1153 字的文章,IndexTTS 2.5 的轻量版与原版各跑一遍(RTF = 合成耗时 ÷ 音频时长,越低越快):

指标 IndexTTS 2.5 轻量版 IndexTTS 2.5 原版
合成耗时 39.3 秒 302.9 秒(5 分钟出头)
音频时长 159.4 秒 159.4 秒
RTF 0.25 1.9

支持哪些显卡:直接列清楚

轻量版和原版最大的区别在硬件支持范围。原版的 CUDA 加速只认 NVIDIA 显卡,且 IndexTTS 2 / 2.5 的原版要求 8GB 显存起步;轻量版换用 Vulkan 加速后端后,支持范围变成:

  • NVIDIA 独立显卡:显存 2GB(Qwen3-TTS)或 4GB(IndexTTS 2 / 2.5)以上可用,默认自动走 CUDA 加速,不需要手动设置;
  • AMD、Intel Arc 独立显卡:走 Vulkan 后端加速,显存建议 4GB 以上------这是以前完全装不上原版的那批机器;
  • Mac(Apple 芯片):macOS 15 及以上,统一内存 16GB 及以下装轻量版,24GB 以上可以装原版;
  • Mac(Intel 芯片):macOS 15 及以上可以装轻量版,但只能跑 CPU 模式,速度明显慢;
  • 没有独显的 Windows 机器(只有核显):可以用 CPU 模式跑,速度明显慢,适合先验证流程再决定要不要升级硬件。

轻量版到底改了什么

轻量版不是重做的应用,界面、用法、语言都和原版一致,改的是底下两样:

模型换成 GGUF 量化版本。 量化是同一个模型的不同压缩档位,不是另做了一个小模型(机制见科普篇)。效果是显存和磁盘占用大幅下降------IndexTTS 2 / 2.5 从"NVIDIA 8GB 起"降到 4GB 级独显可用,Qwen3-TTS 轻量版 2GB 显存就能跑起来。

加速后端从 CUDA 换成 Vulkan。 CUDA 是 NVIDIA 私有接口,Vulkan 是开放的跨平台图形接口,所以 AMD、Intel Arc 的独显也能吃到 GPU 加速,Mac 也能原生运行。

怎么装、怎么跑

安装方式和目录里其他应用完全一样,四步走完。

第一步:在魔当里打开应用详情页,确认说明和系统要求,点安装。 三款应用的详情页分别是:

Qwen3-TTS 轻量版:

IndexTTS 2 轻量版:

IndexTTS 2.5 轻量版:

第二步:选择安装位置,开始安装。 模型和环境全程自动下载,不需要命令行:

第三步:安装完成后点启动,等待运行窗口显示服务就绪。

第四步:就绪后自动在浏览器打开操作页面,输入文字、选参考音频、点合成即可。三款应用的操作页面:

Qwen3-TTS 轻量版:

IndexTTS 2 轻量版:

IndexTTS 2.5 轻量版:

卸载同样在魔当里一键完成。

保留了什么能力,和原版有什么区别?

IndexTTS 2 / 2.5 的情感控制:原版提供多种情感控制方式,轻量版保留其中两路主力------情感向量控制(用参数精确调节情绪的强度和类型)和自然语言描述控制(输入"愤怒地质问",模型把它转成情绪再朗读)。加上音色自带的默认情绪,日常配音的用法都覆盖到了;不支持的只有"情感参考音频"这一种------即拿另一段音频单独提取情绪、叠加到克隆声音上。

IndexTTS 2 / 2.5 支持超长文本生成:整章小说、长视频文案可以连续合成,不用手工切段,配合停顿控制和发音纠正,对齐工作量的差距比听起来小。

Qwen3-TTS 的三种出声音方式:除了 3 到 5 秒录音的零样本克隆,还有 Custom Voice------内置的一批成品音色,不录音频、选来即用;以及 Voice Design------用一句自然语言描述创造全新音色("一个温柔的女生,语气轻快")。约 97 毫秒的生成延迟保留,接近实时对话的体验没有被砍掉。

要有预期的差异:量化模型的音质和音色相似度上限比原版略低,长句和强情绪下差异更容易被听出来。要追求上限,装原版。

原版还是轻量版:看显卡,一句话选完

  • NVIDIA 显卡、显存 8GB 以上:装 IndexTTS 2 / 2.5 的原版,功能完整;Qwen3-TTS 有 4GB 以上显存也建议原版。
  • AMD 或 Intel Arc 独显、4GB 以上显存:轻量版是唯一能上 GPU 加速的选择。
  • Mac(Apple 芯片):统一内存 16GB 及以下装轻量版;24GB 以上可以装原版。
  • Mac(Intel 芯片):只能装轻量版,且仅支持 CPU 模式。
  • 只有核显的 Windows 本:轻量版 CPU 模式能跑通,先体验,再决定升级。
相关推荐
在所不辞兄18 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下18 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码18 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下19 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
七夜zippoe19 小时前
Agent 告警设计:分级告警、智能降噪与值班排班
开发语言·ai·agent·告警·智能降噪·值班排班
大模型真好玩19 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek
FengY_HYY19 小时前
从人类组织到人类&大模型组织,我的位置在哪里?
人工智能·程序员·llm
Flynn Liang20 小时前
大模型成本优化:基于 Redis 的可验证语义缓存架构
人工智能·redis·缓存·架构·ai agent·智能体
锋行天下20 小时前
langgraph全栈项目(一)
前端·人工智能·后端
程序员cxuan20 小时前
不得了,Google 造反了,Opus 5.5 又被干了
人工智能·后端·程序员