IndexTTS2 是 Bilibili 提出的一款新一代零样本语音合成（TTS）模型，其核心目标是实现高精度时长控制与高度自然的情绪表达，同时保持音色一致性，适用于视频配音、内容创作和多模态合成等场景。 核心突破与功能亮点 1.精准时长控制：可直接指定语音时长（精确到毫秒），确保与视频口型严格对齐。支持不设限的“自然时长”模式，适应不同场景。 2.音色与情感完全分离（核心创新）：通过对抗训练