ISP

这是一个 IndexTTS2 的 Flask API ，提供带有流式输出和情感预设支持的语音合成服务。

ISP的优势：

1. 无论你要生成多长的文本，你都能在几秒内听到这段文本是什么样的，不会白白等几个小时然后发现效果不好。
2. 基于官方接口实现，兼容绝大多数的仓库和整合包。

如果你喜欢速度和并发：

我们为VLLM写了一个FASTAPI版本。这里有（Win）ISP+VLLM的整合包。由于测试尚不充分，可能会遇到一点小问题，欢迎反馈。

安装

这里有一份简单版的安装指南。或者，如果你已经安装好了IndexTTS2，你可以根据下面的说明继续。

1. 克隆和安装 2025.10 以后的 IndexTTS及其依赖。
2. 将此仓库克隆到 index-tts 文件夹（使路径为 index-tts/isp）。

cd index-tts
git clone https://github.com/Lumi083/isp.git

3. IndexTTS2 推荐使用 uv 进行环境管理。通过在 index-tts 文件夹执行下列命令，你可以将本项目的依赖安装到相同的 uv 管理环境中：

# pyaudio 仅用于 test\audio_play.py，你可以不安装它
# 但是你肯定需要 flask。
uv pip install flask==3.0.0 pyaudio>=0.2.14

运行 API

启动 API 服务器：

uv run isp/app.py

服务器默认运行在 http://127.0.0.1:23467。

测试：

uv run .\isp\test\latency.py # 测试stream的首包延迟
uv run .\isp\test\audio_play.py # 用pyaudio播放stream的输出
uv run .\isp\test\presets.py # 测试各种情绪的生成
# 一些情况下 soundfile 可能无法识别部分文件。详见 issue 1

app.py 的命令行选项

• --verbose：启用详细日志
• --port：API 端口（默认：23467）
• --host：绑定主机（默认：0.0.0.0）
• --model_dir：模型检查点路径（默认：./checkpoints）
• --fp16：推理使用 FP16（默认：True）
• --deepspeed：使用 DeepSpeed 加速
• --cuda_kernel：使用 cuda kernel 编译加速
• --force_presets：禁用 /voice/indextts，仅保留 /voice/indextts/presets。

API 端点

GET 或 POST /voice/indextts

使用提供的参数从文本生成音频。

必需参数

• text：要合成的文本
• prompt_audio：用于克隆说话人音色的参考音频路径

可选参数

基本设置

• format：输出格式（当前仅支持："wav"）
• lang：语言代码（可能仅支持中文英文，默认："zh"）

流式

• stream：启用流式音频生成（默认：false）

• quick_token：快速流式令牌阈值（默认：0）

• 当 stream=false 时：下载生成的音频文件

• 当 stream=true 时：返回流式 WAV 音频返回

情感控制

• emo_weight：情感混合权重（默认：0.65）
• emo_control_method：情感控制方法（默认：0）
  • 0：使用 prompt_audio 中的说话人情感
  • 1：使用参考音频的情感
  • 2：使用自定义情感向量
  • 3：使用文本描述的情感
• emo_ref_path：情感参考音频路径（方法 1）
• vec1 到 vec8：自定义情感向量分量（方法 2）

vec1 = gr.Slider(label=i18n("喜"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec2 = gr.Slider(label=i18n("怒"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec3 = gr.Slider(label=i18n("哀"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec4 = gr.Slider(label=i18n("惧"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec5 = gr.Slider(label=i18n("厌恶"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec6 = gr.Slider(label=i18n("低落"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec7 = gr.Slider(label=i18n("惊喜"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)
vec8 = gr.Slider(label=i18n("平静"), minimum=0.0, maximum=1.0, value=0.0, step=0.05)

• emo_text：情感描述文本（方法 3，不推荐）
• emo_random：随机化情感向量（不推荐）

GET 或 POST /voice/indextts/presets

使用 id 替代 prompt_audio，使用 emo_id 替代 emo_ref_path。

# ext in [wav, mp3]
prompt_audio = api_root_folder/presets/voice/{id}/prompt.{ext}
emo_ref_path = api_root_folder/presets/emo/{emo_id}.{ext}

备注

• 参考音频应不超过 15 秒