一、引言随着人工智能技术的快速发展，语音合成（Text-to-Speech, TTS）领域迎来了前所未有的突破。传统的TTS系统虽然在语音自然度上取得了长足进步，但其逐token生成机制始终难以精确控制合成语音的时长，这一局限性在视频配音、虚拟主播等需要严格音画同步的应用场景中尤为突出。2025年9月，哔哩哔哩语音团队正式开源了IndexTTS-2模型，这是首个在自回归架构中实现精确时长控制的零样本TTS系统。IndexTTS-2提出了一种新颖的语音时长控制方法，支持两种生成模式：一是通过明确指定生成的token数实现精确时长控制；二是不指定token数、自由生成并保持输入提示的韵律特征。更为重要的是，IndexTTS-2实现了情感表达与说话人身份的解耦——在零样本设置下，模型能够精确重建目标音色（来自音色提示），同时完美再现指定的情感语调（来自风格提示）。为降低情感控制门槛，研究团队还通过微调Qwen3设计了基于文本描述的软指令机制，有效引导生成具有目标情感倾向的语音。然而，在实际生产环境中部署IndexTTS-2这样的大规模TTS模型仍面临诸多挑战。一方面，模型推理需要强大的算力支撑——IndexTTS-2的模型文件包含约3.48GB的gpt.pth和1.20GB的s2mel.pth等核心权重；另一方面，国产算力平台的软件生态兼容性也是不可回避的问题。海光DCU（Deep Computing Unit）作为国产GPGPU的代表性产品，基于自研DTK（DCU Toolkit）软件栈，全面兼容CUDA生态，目前已完成了400余款大模型的适配。本文基于海光DCU平台，以harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.15.1-ubuntu22.04-dtk26.04-0133-py3.10-20260220镜像为基础，详细记录了IndexTTS-2模型的完整部署流程、方案设计及实际操作指南，旨在为国产算力平台上的语音合成应用部署提供可复用的技术参考。二、方案设计2.1 整体架构本方案基于Docker容器技术，在海光DCU算力平台上部署IndexTTS-2模型的WebUI推理服务。整体架构分为三层：基础设施层：海光DCU加速卡及对应的DTK驱动环境，提供底层算力支撑。容器运行时层：基于预构建的海光DCU镜像（vllm0.15.1 + dtk26.04），该镜像已集成PyTorch、HIP等核心依赖，确保与DCU硬件的无缝适配。应用服务层：IndexTTS-2推理引擎 + Gradio WebUI界面，提供语音克隆与情感控制的交互入口。2.2 环境配置策略考虑到官方提供的代码IndexTTS-2（下载链接为：https://github.com/index-tts/index-tts/）依赖的transformers、huggingface-hub等Python包版本与基础镜像可能存在冲突，方案采用虚拟环境隔离 + 依赖包精准替换的策略：在容器内创建独立的Python虚拟环境（venv-tts），避免污染系统级Python环境。将基础镜像中预装的site-packages完整复制到虚拟环境中，确保DCU相关的底层库（如torch、hip等）得以保留。对与IndexTTS-2存在版本冲突的包（transformers、huggingface-hub、tokenizers）进行卸载并重装指定版本。按需安装munch、descript-audiotools、WeTextProcessing等辅助依赖。2.3 代码适配方案IndexTTS-2的推理代码infer_v2.py（官方提供的推理代码）第705行使用了torchaudio.save()进行音频保存。在DCU环境下，该函数存在兼容性问题（会强制调用CUDA）。方案采用soundfile替代torchaudio的适配策略：将音频张量从GPU移至CPU并转换为int16格式的numpy数组。使用soundfile库的sf.write()方法保存为PCM_16格式的WAV文件，确保输出音频的通用兼容性。2.4 推理服务部署
海光DCU上部署IndexTTS-2：实现情感可控的零样本语音克隆（完整教程）
发布时间：2026/7/19 22:41:49
一、引言随着人工智能技术的快速发展，语音合成（Text-to-Speech, TTS）领域迎来了前所未有的突破。传统的TTS系统虽然在语音自然度上取得了长足进步，但其逐token生成机制始终难以精确控制合成语音的时长，这一局限性在视频配音、虚拟主播等需要严格音画同步的应用场景中尤为突出。2025年9月，哔哩哔哩语音团队正式开源了IndexTTS-2模型，这是首个在自回归架构中实现精确时长控制的零样本TTS系统。IndexTTS-2提出了一种新颖的语音时长控制方法，支持两种生成模式：一是通过明确指定生成的token数实现精确时长控制；二是不指定token数、自由生成并保持输入提示的韵律特征。更为重要的是，IndexTTS-2实现了情感表达与说话人身份的解耦——在零样本设置下，模型能够精确重建目标音色（来自音色提示），同时完美再现指定的情感语调（来自风格提示）。为降低情感控制门槛，研究团队还通过微调Qwen3设计了基于文本描述的软指令机制，有效引导生成具有目标情感倾向的语音。然而，在实际生产环境中部署IndexTTS-2这样的大规模TTS模型仍面临诸多挑战。一方面，模型推理需要强大的算力支撑——IndexTTS-2的模型文件包含约3.48GB的gpt.pth和1.20GB的s2mel.pth等核心权重；另一方面，国产算力平台的软件生态兼容性也是不可回避的问题。海光DCU（Deep Computing Unit）作为国产GPGPU的代表性产品，基于自研DTK（DCU Toolkit）软件栈，全面兼容CUDA生态，目前已完成了400余款大模型的适配。本文基于海光DCU平台，以harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.15.1-ubuntu22.04-dtk26.04-0133-py3.10-20260220镜像为基础，详细记录了IndexTTS-2模型的完整部署流程、方案设计及实际操作指南，旨在为国产算力平台上的语音合成应用部署提供可复用的技术参考。二、方案设计2.1 整体架构本方案基于Docker容器技术，在海光DCU算力平台上部署IndexTTS-2模型的WebUI推理服务。整体架构分为三层：基础设施层：海光DCU加速卡及对应的DTK驱动环境，提供底层算力支撑。容器运行时层：基于预构建的海光DCU镜像（vllm0.15.1 + dtk26.04），该镜像已集成PyTorch、HIP等核心依赖，确保与DCU硬件的无缝适配。应用服务层：IndexTTS-2推理引擎 + Gradio WebUI界面，提供语音克隆与情感控制的交互入口。2.2 环境配置策略考虑到官方提供的代码IndexTTS-2（下载链接为：https://github.com/index-tts/index-tts/）依赖的transformers、huggingface-hub等Python包版本与基础镜像可能存在冲突，方案采用虚拟环境隔离 + 依赖包精准替换的策略：在容器内创建独立的Python虚拟环境（venv-tts），避免污染系统级Python环境。将基础镜像中预装的site-packages完整复制到虚拟环境中，确保DCU相关的底层库（如torch、hip等）得以保留。对与IndexTTS-2存在版本冲突的包（transformers、huggingface-hub、tokenizers）进行卸载并重装指定版本。按需安装munch、descript-audiotools、WeTextProcessing等辅助依赖。2.3 代码适配方案IndexTTS-2的推理代码infer_v2.py（官方提供的推理代码）第705行使用了torchaudio.save()进行音频保存。在DCU环境下，该函数存在兼容性问题（会强制调用CUDA）。方案采用soundfile替代torchaudio的适配策略：将音频张量从GPU移至CPU并转换为int16格式的numpy数组。使用soundfile库的sf.write()方法保存为PCM_16格式的WAV文件，确保输出音频的通用兼容性。2.4 推理服务部署
