面对多语言语音合成在速度与情感迁移上的瓶颈，哔哩哔哩推出的 IndexTTS 2.5 提供了一套系统性的解决思路。它在保持音质的同时，通过架构与训练策略升级，实现了显著的推理加速，为工业级多语言情感TTS的设计提供了可复用的新范式。
智能速览
通过语义编解码压缩，将codec帧率减半，为整体提速奠定基础。
S2M主干升级为Zipformer，在参数量更小的情况下主观听感更好。
提出三种可组合的多语言建模策略，系统性解决发音混淆问题。
引入GRPO强化学习后训练，显著提升跨语言场景下的韵律自然度。
构建了覆盖约10万小时语音的工业级数据处理流水线。
精华内容
要实现多语言语音合成的高效与高质，仅靠单点优化远远不够。IndexTTS 2.5 的突破在于，它通过系统级的架构革新与训练策略升级，共同构筑了其核心优势。
推理速度倍增
IndexTTS 2.5 实现的 2.28 倍实时率（RTF）提升，其关键在于对计算流程的精简。系统将语义编解码器的帧率从 50Hz 压缩至 25Hz，这一改动直接使得语义 token 的序列长度减半。
随之而来的是，在文本到语义（T2S）与语义到声学（S2M）两个核心阶段，计算量和显存开销均被显著降低，为整体的高效推理打下了坚实基础。
核心架构革新
在 Semantic-to-Mel 模块上，IndexTTS 2.5 用 Zipformer 替代了上一代的 U-DiT 架构。作为 Flow Matching 的主干网络，Zipformer 在参数量更小的前提下，获得了更优的主观听感。
在用户盲听测试中，Zipformer 获得了 56% 的明显偏好，显著高于 U-DiT 的 40%，证明了其在音质与情感表达上的优势。
多语言建模策略
针对多语言混合场景下的发音难题，系统提出了三种可组合的建模策略。边界感知对齐、Token 级语言拼接和指令引导生成，这些方法共同致力于解决中日共享汉字、多语言同形异音词导致的发音混淆问题。
该方案还给出了在不同语言组合与应用场景下的取舍原则，增强了其实用性。
训练与数据保障
为提升跨语言表现，系统在 T2S 阶段引入了 GRPO 强化学习进行后训练，以 ASR 的词错误率（WER）作为偏好模型信号，显著改善了跨语言与代码切换时的可懂度和韵律自然度。
这一训练成果的背后，是一套覆盖 VAD、ASR、伴奏分离与质量过滤的工业级数据流水线，支撑了约 10 万小时的中英日西语音数据规模。
IndexTTS 2.5 的价值远不止于速度的提升，它更提供了一套经过工业级验证的、可复用的零样本多语言情感TTS设计范式。它系统性地解决了多个长期存在的痛点，为未来更自然、更高效的多语言人机交互体验铺平了道路。
