声音克隆：IndexTTS2本地安装和运行记录!

自从B站发布了IndexTTS2的宣传片之后，我就念念不忘！

这效果相当惊艳，好害怕他们捂着，不开源了。

还好，Index有格局，开源模型和开源代码如期而至！

并发布了另外一个演示视频：

声音克隆技术已经强到这种地步了？！

不愧是视频网站出身，做的视频也挺好。

这个模型在影视翻译方面的表现，非常惊艳！

同时2.0版本在情感控制方面也有比较突出的表现。可以通过多维度进行情绪控制，相比1.0版本，自然度、相似度也有很大的提升。

反正一句话，官方给的例子相当不错！就差自己上手玩一玩“验明正身”了。

目前，我已经在Windows系统上成功运行，显卡是RTX 5060 Ti。

因为新显卡，加上新的UV配置方式，整个安装配置过程还是踩了一些坑，收获了一些经验。

所以写一篇文章记录和分享一下。

下面就进入正题了，我按步骤一步一步来写。

1.获取源代码

这是一个开源项目，而非软件。所以我们要从获取源代码开始。

源代码的获取方式一般分两种：一种是命令的方式，一种是直接打包下载。

命令方式

这种方式需要先确保你的电脑已经安装了git和lfs。

如果git装了，没有lfs，可以运行命令：

git lfs install

然后依次运行下面三行命令：

git clone https://github.com/index-tts/index-tts.git indextts2 
cd indextts2
git lfs pull

打包下载

打开开源项目地址：

https://github.com/index-tts/index-tts

然后点击Code->Download ZIP。

会下载到一个zip压缩文件，解压这个文件，把解压出来的文件夹改名为indextts2就可以了。

不管哪种方式获取，这里都会有一个小问题。因为这个项目使用了LFS。

LFS = Large File Storage（大文件存储），是 Git 的一个扩展，用来管理二进制/大文件（音频、视频、模型、数据集等）。

这个东西一用，可能搞得你Git都不会用了。

克隆代码（git clone）的时候会报一堆错误：

`Updating files: 100% (249/249), done. Downloading examples/emo_hate.wav (145 KB) Error downloading object: examples/emo_hate.wav (89e6e7e): Smudge error: Error downloading examples/emo_hate.wav (89e6e7eee1a28303776e9cf43971e9505529bd0e669f5fcf47f4d1370f9187c4): batch response: This repository exceeded its LFS budget. The account responsible for the budget should increase it to restore access.`
​

刚开始有点懵，查了一下大概是文件配额超了。可能是下载的人太多了，就受限了，所以直接出现错误。

遇到这个情况，我们做不了什么，只能直接跳过LFS部分。

删除之前的所有代码，执行下面命令，重新下载一下：

​
git lfs install --skip-smudge
git clone https://github.com/index-tts/index-tts.git indextts2 

这样就可以下载全部源代码而不报错了。

如果你想知道这么操作缺了什么文件，可以使用命令：

git lfs ls-files

通过这个命令可以知道，那些大文件值得就是examples文件下的一些演示音频。

我们可以在GitHub上打开这个文件夹，找到里面的音频文件，然后手动在网页上点击下载，下载完成之后放到本地同名文件夹就可以了。

所以，如果你不理解上面的命令，就直接手动下载就好了。

2.安装依赖

有了源代码和演示音频之后，我们就需要进行安装了，这里的安装主要是指安装Python依赖。常规的Python项目我们一般使用pip来安装requirements.txt文件中的依赖包。但是这个项目并没有使用pip，而是使用了UV 作为包管理器。

uv = 超快的 Python 包管理器 + 虚拟环境管理器

它的目标是用一个工具取代：

pip
venv
pip-tools
pipenv
poetry
conda（部分功能）

核心特点：

• 极速：基于 Rust 实现，比 pip 快 10~20 倍。
• 跨平台：支持 Windows、macOS、Linux。
• 全功能：安装、卸载、依赖解析、虚拟环境、打包、项目管理。
• 兼容 pip：支持直接用 requirements.txt、pyproject.toml。
• 无缝切换：可以直接替代 pip，无需改动现有项目。

平时一直都用conda，这次突然遇到uv，一下子又被打蒙了。踩了好几个坑之后，正确的操作方式如下。

首先是安装UV：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex

然后修改pyproject.toml文件：

这里主要是为了适配50系列显卡，同时注释掉deepspeed，保证能顺利安装。

主要修改的是Python版本改为3.12，numba改为0.59，然后添加了einops和gradio。

然后执行命令：

uv python install 3.12  #安装Python 3.12
​
uv python pin 3.12  #指定Python版本
​
uv venv --python 3.12 #创建虚拟环境
​
uv lock --upgrade #更新
uv sync --frozen  #安装

执行完上面的命令，等待就可以了。安装需要一些时间，单一个torch就有3G左右。

3.下载模型

依赖安装成功之后，基本上安装部分就完成了，接下来就是获取模型了。 获取模型可以通过以下命令完成。

国外huggingface-cli：

uv tool install "huggingface_hub[cli]"
​
hf download IndexTeam/IndexTTS-2 --local-dir=checkpoints

国内modelscope：

uv tool install "modelscope"
​
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

这一步应该没啥问题，就是等待为主。所有模型加起来也有10来个G左右。

4.运行WebUI

经过上面的步骤，就万事俱备了。

最后，检查一下运行环境：

uv run tools/gpu_check.py

输出信息大致如下：

PyTorch: NVIDIA CUDA is available!
Number of GPUs found: 1
GPU 0: "NVIDIA GeForce RTX 5060 Ti"

从输出中可以看到，CUDA可用，GPU也找到了，显卡型号也显示正常。

最后运行WebUI：

uv run webui.py

运行过程会提示DeepSpeed加载失败，以及Failed to load custom CUDA kernel for BigVGAN，这个可以先不管，能跑起来就可以了！

然后会自动下载一个模型文件。

最终就会出现Running on local URL: http://0.0.0.0:7860 的提示了。

这个时候只要在浏览器输入http://localhost:7860就可以打开了。

5.声音克隆

成功运行WebUI，打开之后就可以看到如下的界面了。

这个界面构成非常简单。只要简单三部，就可以克隆声音了。

首先是上传一段参考声音（克隆对象），

然后输入要合成的文本，

最后点击生成语音就可以了。

一句话大概十几秒的样子！

IndexTTS2除了完成常规的声音克隆之外，还提供了多种情感控制方式。

主要提供了四种控制方式，分别是：与音色参考音频相同，使用情感参考音频，使用情感向量控制，使用情感描述文本控制。

每种方式都有它自己的参数。

另外这个页面提供了12个例子，分别展示了基础功能和情感控制功能。

例子1-6为基础的声音克隆，7-12展示了不同类型的情感控制方式。

其中第一个和第二个就是官方例子中《让子弹飞》和《甄嬛传》视频翻译的例子。简单测试来看，官方给的前面几个例子表现都是很不错的，后面的情感控制，由于情绪变化比较大，音色的相似度会减弱。虽然相似度减弱，但是情绪很饱满。

今天只能赶出这部分了，一键运行包稍后！