Mac 本地用 IndexTTS-2.5 克隆声音：情绪和语速都能调

要给课程、短片或店铺视频配一段有情绪的旁白，可以用 IndexTTS-2.5 克隆本人或已获明确授权的参考声音，再调节语气和语速。

此前的克隆、高兴、悲伤和慢速四段样音暂不公开展示，待补齐参考录音来源与声音授权记录后再决定是否恢复。以下保留部署、情绪与语速操作说明及历史测试记录；工具包不再预设参考声音。

实测设备是 M1 Max、64GB 内存的 Mac，使用 MPS，也就是 Apple 芯片的 GPU 后端。此前测试中，本机生成 8.14 秒的克隆语音用了约 88 秒，约为音频时长的 11 倍，更适合提前制作，不适合边聊边合成。更换参考录音后的速度和听感尚未验证。模型和辅助文件总共约 10GB，下载前先确认磁盘空间。

先确认模型使用协议

IndexTTS-2.5 由 B 站 IndexTTS 团队发布，使用《bilibili 模型使用许可协议》。当前中文协议第 2.2 条规定：如果你或关联方的产品、服务上个月月活超过 1 亿，或上一年度营收超过人民币 1 亿元，必须申请单独商业许可；取得明确书面授权前不能使用协议授予的权利。中文版本优先于英文版本。

没有达到这两个门槛，也要遵守协议中的其他条款，例如保留版权声明与协议、不得把模型用于协议禁止的高风险用途。接收费配音订单前先看完整的官方中文协议。克隆真人声音还要另行取得本人授权。

开始前准备

IndexTTS 官方仓库主要面向 NVIDIA GPU 用户。本教程保留本机 Mac 路线；安装步骤来自 2026 年 10 月 3 日的环境记录，2026 年 10 月 10 日在同一环境重新运行了工具包脚本。其他 Mac 的速度和依赖兼容性没有验证。

1. 下载项目并安装依赖

mkdir -p ~/ai-demo && cd ~/ai-demo
git clone https://github.com/index-tts/index-tts.git
cd index-tts
uv sync --python 3.11 --managed-python --extra webui --default-index "https://mirrors.aliyun.com/pypi/simple"

uv sync 会创建项目自己的 .venv 环境并安装 WebUI 依赖。安装完成后，后续从项目根目录运行脚本时用 uv run，它会自动选中这套环境。

2. 下载模型

IndexTTS-2.5 主模型和首次运行所需的辅助文件合计约 10GB。官方提供 ModelScope 下载方式，先安装下载工具，再把模型保存到项目默认的 checkpoints 目录：

uv tool install modelscope-hub
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir checkpoints

第一次启动网页或脚本时，部分小型辅助模型可能还会自动下载。网络较慢时可以等待它完成；不要在下载还没结束时关闭进程。

3. 用脚本生成语音

下载IndexTTS-2.5 Mac 示例工具包，解压后把 demo_zh.py 放到 IndexTTS 项目根目录，也就是和 webui.py 同一层。工具包不含模型权重。

先准备本人录音或已获明确授权的 WAV 文件，在脚本中填写 PROMPT_WAV，修改 TEXT 和 MOOD_TEXT。确认授权包含本次声音克隆用途后，将 VOICE_USE_CONFIRMED 改为 True，再从项目根目录运行：

uv run python demo_zh.py

脚本默认留空参考音路径，授权确认默认为 False；未填写或文件不存在时，会在加载模型前退出，不会自动回退到项目示例声音。配置完成后，在 outputs/ 目录生成克隆、高兴、悲伤、慢速四段音频。录音尽量清晰、少背景声。若准备在 App、网站或交付作品中公开生成结果，还需确认授权包含相应的公开展示、传播及商业用途（如适用），并保留授权记录。这个确认开关只是操作提醒，不能替代真实授权。

本机测试使用了 PyTorch 2.8.0 和 MPS。四种效果来自同一套模型参数，声音质量和生成速度会受文本长度、情绪强度和设备影响。交付前要完整试听，尤其检查人名、数字和标点停顿。

调整情绪和语速

emo_vector 有 8 个值，顺序是高兴、愤怒、悲伤、害怕、厌恶、忧郁、惊讶、平静。把想要的情绪对应位置调高。下面两行用于替换已完成参考音及授权配置的脚本中的推理调用，需在模型初始化后执行：

tts.infer(spk_audio_prompt=PROMPT_WAV, text="今天的天气真好。", lang="ZH", output_path="happy.wav", emo_vector=[0.8, 0, 0, 0, 0, 0, 0, 0])
tts.infer(spk_audio_prompt=PROMPT_WAV, text="今天的天气真好。", lang="ZH", output_path="sad.wav", emo_vector=[0, 0, 0.8, 0, 0, 0, 0, 0])

语速用 duration_factor 控制。1.0 是正常速度，1.3 会放慢，0.8 会加快；官方文档支持 0.5 到 2.0。此前慢速版本的测试时长约 10.1 秒，播放器暂不展示；更换参考录音后需重新测量。

情绪强度过高可能听起来像在表演，先从 0.6 左右试起，再试听调整。

常见问题

找不到 modelscope 命令：确认 uv tool install modelscope-hub 已完成，并按 uv 的提示把工具目录加入 PATH；重新打开终端后再试。

第一次运行仍在下载文件：项目会按需拉取辅助模型。等下载完成后再次运行；如果网络无法访问默认模型源，可以先按官方文档配置 ModelScope 下载方式，再重新执行。

情绪没有明显变化：先缩短句子，把目标情绪值设为 0.6～0.8，并用同一段参考音频重新生成。不同参考声音对情绪控制的响应会不同。

拿它挣钱

确认模型协议和声音素材授权适用于你的业务后，可以把它用于课程旁白、短片解说或产品视频配音。交付前说明使用 AI 配音，保留录音授权记录，并逐句试听校对。报价可按成品时长、情绪版本数量、修改次数和文件格式拆项；没有可靠的统一市场价时，先看同平台同类服务的公开报价，再按自己的校对和修改成本定价。

工具清单

更多模型许可对比见《中文 AI 配音模型怎么选？先查商用许可，再看声音效果》。本文的本机速度数据测试日期为 2026 年 10 月 10 日，模型加载约 30 秒；下载和许可规则以官方页面当前内容为准。