### 摘要 现有的自回归大规模文本转语音（TTS）模型在语音自然度方面具有优势，但其逐个令牌的生成机制使得难以精确控制合成语音的持续时间。这对于需要严格视听同步的应用（例如视频配音）来说成为一个重大限制。 本文介绍了 IndexTTS2，它提出了一种新颖、通用且自回归模型友好的语音持续时间控制方法。 该方法支持两种生成模式：一种是明确指定生成token的数量，以精确控制语音时长；另一种是明确指定生成token的数量，以精确控制语音时长。另一个以自回归方式自由生成语音，无需指定标记的数量，同时忠实地再现输入提示的韵律特征。 此外，IndexTTS2实现了情感表达和说话者身份之间的解离，实现了对音色和情感的独立控制。在零样本设置下，模型可以准确地重建目标音色（来自音色提示），同时完美地再现指定的情绪基调（来自风格提示）。 为了提高高度情绪化表达中的语音清晰度，我们结合了 GPT 潜在表示并设计了一种新颖的三阶段训练范例来提高稳定性