[{"data":1,"prerenderedAt":4},["ShallowReactive",2],{"blog-body-indextts-1-5-vs-2-benchmark":3},"\u003Cblockquote>\u003Cp>\u003Cstrong>结论：如果只能选一个版本做中文配音，选IndexTTS2。\u003C/strong> 它的音色和音高明显更接近参考音频（MFCC相似度0.9827对0.9676，音高差3.82 Hz对10.12 Hz），长文本更紧凑，18个样本里没有出现5秒以上的异常空白。\u003C/p>\u003Cp>\u003Cstrong>但它不是全面领先。\u003C/strong> 机器转写完整度略低于IndexTTS1.5，数字和英文混排偏弱，出现过一次确定的漏句，输出整体偏响。IndexTTS1.5适合保留为纯中文短文本的备选。\u003C/p>\u003C/blockquote>\n\u003Cp>搜\"indextts2中文配音\"\"IndexTTS2和1.5哪个好\"的人，多半想知道升级到底值不值。网上的说法大多是\"新版更好\"一句带过，这篇给出我们自己跑的36个样本的数据，好的坏的都写。\u003C/p>\n\u003Ch2 id=\"s1\">这次测试是怎么做的\u003C/h2>\n\u003Cul>\u003Cli>\u003Cstrong>规模\u003C/strong>：6组中文文案 × 3个参考音色 × 2个模型，共36个有效样本，每个模型18个。\u003C/li>\u003Cli>\u003Cstrong>6组文案\u003C/strong>分别覆盖：普通知识讲解、声调与多音字、平翘舌轻声与口语、情绪与角色切换、数字日期与中英文混排、长文本。\u003C/li>\u003Cli>\u003Cstrong>只比较IndexTTS1.5与IndexTTS2\u003C/strong>，不包含IndexTTS2.5。两个版本的区别与怎么选，见《\u003Ca href=\"/blog/indextts2-vs-indextts2-5/\">IndexTTS2与IndexTTS2.5有什么区别\u003C/a>》。\u003C/li>\u003C/ul>\n\u003Cp>先说清楚几个指标是什么意思，避免误读：\u003C/p>\n\u003Cul>\u003Cli>\u003Cstrong>自动转写错误率\u003C/strong>：把生成的音频用语音识别转回文字，和原文对比。它反映内容完不完整、听不听得清，是机器代理指标，不等于人耳的发音评分。\u003C/li>\u003Cli>\u003Cstrong>MFCC相似度、音高差\u003C/strong>：衡量克隆出来的声音和参考音频\"像不像\"，也是代理指标，不能完全替代盲听。\u003C/li>\u003Cli>\u003Cstrong>真峰值越界\u003C/strong>：不代表原文件已经破音，但意味着转码或播放后更容易失真。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s2\">核心数据：IndexTTS2更像本人，但不是每项都赢\u003C/h2>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指标\u003C/th>\u003Cth class=\"n\">IndexTTS1.5\u003C/th>\u003Cth class=\"n\">IndexTTS2\u003C/th>\u003Cth>谁更好\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>MFCC音色轮廓相似度（越高越像）\u003C/td>\u003Ctd class=\"n\">0.9676\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>0.9827\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>与参考音频中位音高平均差值（越低越好）\u003C/td>\u003Ctd class=\"n\">10.12 Hz\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>3.82 Hz\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均时长\u003C/td>\u003Ctd class=\"n\">56.39秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>49.38秒\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2更紧凑\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均内部停顿\u003C/td>\u003Ctd class=\"n\">19.82秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>14.29秒\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>出现5秒以上异常停顿的文件\u003C/td>\u003Ctd class=\"n\">3 / 18\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>0 / 18\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>全部文案加权自动转写错误率（越低越好）\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>6.27%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">6.71%\u003C/td>\u003Ctd>IndexTTS1.5略好\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>排除数字 / 英文组后的错误率\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>6.15%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">6.38%\u003C/td>\u003Ctd>基本接近\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均响度\u003C/td>\u003Ctd class=\"n\">-21.52 dBFS\u003C/td>\u003Ctd class=\"n\">-18.48 dBFS\u003C/td>\u003Ctd>IndexTTS2更响\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>重采样后真峰值越界的文件\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>0 / 18\u003C/strong>\u003C/td>\u003Ctd class=\"n\">11 / 18\u003C/td>\u003Ctd>IndexTTS1.5更安全\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>最大重采样真峰值\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>-0.24 dBTP\u003C/strong>\u003C/td>\u003Ctd class=\"n\">+1.61 dBTP\u003C/td>\u003Ctd>IndexTTS2需要限峰值\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>一句话读这张表：\u003Cstrong>像不像、稳不稳，IndexTTS2赢；字全不全、会不会爆音，IndexTTS1.5略好。\u003C/strong> 排除数字和英文组后，两者转写错误率只差0.23个百分点，基本持平。\u003C/p>\n\u003Cdiv class=\"audiogroup\">\u003Cdiv class=\"ahdr\">试听对比 · 同一文案、同一参考音色\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">参考音频\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art02-ref-zh.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS1.5 · 知识讲解\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art02-au1-zh-indextts15-zhishi.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS2 · 知识讲解\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art02-au1-zh-indextts2-zhishi.mp3\">\u003C/audio>\u003C/div>\u003Cp class=\"anote\">演示样本：同一段知识讲解文案、同一参考音色，分别由IndexTTS1.5与IndexTTS2生成（2026年10月录制）。文中数据来自2026年9月实测，与本段样本不是同一批文件。\u003C/p>\u003C/div>\n\u003Ch2 id=\"s3\">六个场景分别怎么样\u003C/h2>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>测试文案\u003C/th>\u003Cth class=\"n\">IndexTTS1.5\u003C/th>\u003Cth class=\"n\">IndexTTS2\u003C/th>\u003Cth>判断\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>01普通知识讲解\u003C/td>\u003Ctd class=\"n\">3.52%\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>2.71%\u003C/strong>\u003C/td>\u003Ctd>IndexTTS2略好，两者都可用\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>02声调与多音字\u003C/td>\u003Ctd class=\"n\">10.68%\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>9.39%\u003C/strong>\u003C/td>\u003Ctd>转写会混淆同音字，不能据此判断声调\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>03平翘舌、轻声与口语\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>5.76%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">6.67%\u003C/td>\u003Ctd>IndexTTS1.5机器可懂度略好\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>04情绪与角色切换\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>6.83%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">7.63%\u003C/td>\u003Ctd>两者各出现一种严重异常\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>05数字与中英文混排\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>7.56%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">10.31%\u003C/td>\u003Ctd>IndexTTS1.5略好，两者对V1.5都不稳定\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>06长文本\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>5.90%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">6.39%\u003C/td>\u003Ctd>IndexTTS1.5内容略好，IndexTTS2节奏明显更好\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/art02-img2-scenes.webp\" alt=\"IndexTTS1.5与IndexTTS2六个中文场景的自动转写错误率对比柱状图\" width=\"1200\" height=\"630\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>六个场景的自动转写错误率（越低越好，机器代理指标）\u003C/figcaption>\u003C/figure>\n\u003Ch3>知识讲解：两个都能用\u003C/h3>\n\u003Cp>两个版本都能完整生成，错误率2.71% 对3.52%，差距不大。IndexTTS2语速更紧凑、音色更贴参考音频；IndexTTS1.5表达相对舒缓。\u003C/p>\n\u003Ch3>声调与多音字：别用错误率判断声调\u003C/h3>\n\u003Cp>文案里有\"众、重、种、中\"这类同音近音字，语音识别会把它们互相替换，所以错误率说明不了哪个版本声调更准。节奏上差距倒很明显：IndexTTS2平均时长31.54秒、单次最长停顿1.83秒；IndexTTS1.5分别是41.29秒和10.60秒，其中一个参考音色下出现了10.60秒的异常空白。\u003C/p>\n\u003Ch3>平翘舌、轻声与口语：IndexTTS1.5略好\u003C/h3>\n\u003Cp>IndexTTS1.5错误率5.76%，IndexTTS2为6.67%，差距集中在\"讲解员、展柜、石狮子\"这类连续相近音节。这一组建议人工重点听：十 / 师 / 石 / 狮 / 史的平翘舌，妈妈 / 孩子 / 桌子的轻声，\"一点儿\"的儿化，\"不要、一个、一起\"的变调。\u003C/p>\n\u003Ch3>情绪与角色切换：各有一次翻车\u003C/h3>\n\u003Cul>\u003Cli>IndexTTS1.5在一个参考音色下插入了两次原文没有的\"我看见了\"，并出现8.31秒异常停顿，整段拉长到42.88秒；\u003C/li>\u003Cli>IndexTTS2在同一个参考音色下漏掉了\"算了，我早就应该知道\"，只保留了\"你不会来了\"。\u003C/li>\u003C/ul>\n\u003Cp>所以这组不能只看平均错误率：\u003Cstrong>IndexTTS1.5的主要风险是重复和异常空白，IndexTTS2的主要风险是漏句。\u003C/strong> 做短剧台词时，生成后回听一遍很有必要。\u003C/p>\n\u003Cdiv class=\"audiogroup\">\u003Cdiv class=\"ahdr\">情绪对白演示\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS1.5 · 无情绪控制\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art02-au2-zh-indextts15-qingxu.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS2 · 悲伤0.6\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art02-au2-zh-indextts2-sad06-qingxu.mp3\">\u003C/audio>\u003C/div>\u003Cp class=\"anote\">演示样本：同一段情绪对白，IndexTTS1.5无情绪控制，IndexTTS2设置为悲伤0.6（2026年10月录制）。\u003C/p>\u003C/div>\n\u003Ch3>数字、日期与中英文混排：先改写再生成\u003C/h3>\n\u003Cp>日期、时间、百分数、小数的主体两者基本都能读出来，问题集中在V1.5这种字母加数字：IndexTTS1.5的3个样本都没被稳定还原，IndexTTS2的3个也都没有，其中一个只识别出\"5\"。解决办法很简单，生成前改写：\u003C/p>\n\u003Cul>\u003Cli>1,280 → 一千二百八十\u003C/li>\u003Cli>V1.5 → 版本一点五（或V一点五）\u003C/li>\u003Cli>Demo 03 → 写明要读英文、字母加数字还是中文\u003C/li>\u003C/ul>\n\u003Ch3>长文本：IndexTTS2明显更适合\u003C/h3>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指标\u003C/th>\u003Cth class=\"n\">IndexTTS1.5\u003C/th>\u003Cth class=\"n\">IndexTTS2\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>加权自动转写错误率\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>5.90%\u003C/strong>\u003C/td>\u003Ctd class=\"n\">6.39%\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均时长\u003C/td>\u003Ctd class=\"n\">181.22秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>163.26秒\u003C/strong>\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>有效语音占比\u003C/td>\u003Ctd class=\"n\">64.64%\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>69.14%\u003C/strong>\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均内部停顿总时长\u003C/td>\u003Ctd class=\"n\">60.89秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>47.12秒\u003C/strong>\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>平均单次最长停顿\u003C/td>\u003Ctd class=\"n\">3.99秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>1.59秒\u003C/strong>\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>最大单次停顿\u003C/td>\u003Ctd class=\"n\">9.94秒\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>2.19秒\u003C/strong>\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>末段 / 首段语速比（越接近1越稳）\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>1.045\u003C/strong>\u003C/td>\u003Ctd class=\"n\">0.940\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cp>IndexTTS1.5文字完整度略好，但出现了9.94秒的异常停顿，平均比IndexTTS2长约18秒。做有声书、长视频解说，IndexTTS2的节奏和效率更合适。\u003C/p>\n\u003Ch2 id=\"s4\">音色与响度：IndexTTS2更像，但更容易爆音\u003C/h2>\n\u003Cp>IndexTTS2的克隆音色整体更接近参考音频，这是本轮机器指标最明确的结论。代价是输出偏响：18个文件里11个重采样后真峰值越界，最大约 +1.61 dBTP，主要集中在本身响度较高的那个参考音色上。IndexTTS1.5整体较安静，18个文件都没有越界。\u003C/p>\n\u003Ch2 id=\"s5\">根据这次结果，给你的5条使用建议\u003C/h2>\n\u003Col>\u003Cli>\u003Cstrong>参考音频别录太响\u003C/strong>：峰值控制在约 -3 dBFS，导出成品时留1–2 dB余量。\u003C/li>\u003Cli>\u003Cstrong>长文本分段\u003C/strong>：按自然段切，每段150–250字，用同一个声音模型生成，音色更一致。\u003C/li>\u003Cli>\u003Cstrong>数字英文先改写\u003C/strong>：日期、版本号、英文缩写改成你想要的读法再生成。\u003C/li>\u003Cli>\u003Cstrong>回听查漏句\u003C/strong>：情绪台词、角色对白生成后听一遍，发现漏句或重复就重新生成。\u003C/li>\u003Cli>\u003Cstrong>异常空白就重试\u003C/strong>：一句话里出现2–3秒以上的莫名停顿，直接重新生成。\u003C/li>\u003C/ol>\n\u003Cfigure class=\"shotgroup\">\u003Cdiv class=\"shotgrid\">\u003Cfigure class=\"shot\">\u003Cimg src=\"/blog/images/art02-shot1-pause-mark.webp\" alt=\"IndexTTS2在线版插入停顿标记：在文案任意位置添加0.3–3秒停顿\" width=\"1600\" height=\"926\" loading=\"lazy\" decoding=\"async\">\u003C/figure>\u003Cfigure class=\"shot\">\u003Cimg src=\"/blog/images/art02-shot2-denoise.webp\" alt=\"IndexTTS2在线版免费AI降噪：上传嘈杂参考音频并去除背景噪音\" width=\"1600\" height=\"900\" loading=\"lazy\" decoding=\"async\">\u003C/figure>\u003C/div>\u003Cfigcaption class=\"shotcap\">实景截图：在线版真实界面\u003C/figcaption>\u003C/figure>\n\u003Ch2 id=\"s6\">在线版怎么试\u003C/h2>\n\u003Cp>不用部署，浏览器里三步就能自己验证：\u003C/p>\n\u003Col>\u003Cli>在\u003Ca href=\"https://indexttsonline.com/ai-voice-models/\">创建声音模型页\u003C/a>上传一段3–10秒的清晰干声，建好模型后点\"使用\"；录音嘈杂可以先用\u003Ca href=\"https://indexttsonline.com/ai-denoise/\">免费AI降噪\u003C/a>处理；\u003C/li>\u003Cli>在\u003Ca href=\"https://indexttsonline.com/ai-voice-cloning/\">声音克隆页\u003C/a>粘贴文案，按上面的建议改写数字、插入停顿，点击生成；\u003C/li>\u003Cli>在声音克隆页下方试听并下载。\u003C/li>\u003C/ol>\n\u003Cp>注册即送150,000字符，声音克隆次数与声音模型数量不限。\u003C/p>\n\u003Ch2 id=\"s7\">这份实测没覆盖什么\u003C/h2>\n\u003Cul>\u003Cli>只比较IndexTTS1.5与IndexTTS2，不含IndexTTS2.5；\u003C/li>\u003Cli>3个参考音色、6组文案，不覆盖方言、英文全文和儿童声；\u003C/li>\u003Cli>全部为机器指标，没有做多人盲听；声调、平翘舌、轻声等字音准确度仍需人耳确认；\u003C/li>\u003Cli>结果反映2026年9月的测试环境，模型更新后会复测并更新本页日期。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s8\">常见问题\u003C/h2>\n\u003Cdl class=\"faq\">\u003Cdt>IndexTTS2比IndexTTS1.5好在哪？\u003C/dt>\u003Cdd>音色和音高更接近参考音频（MFCC相似度0.9827对0.9676，音高差3.82 Hz对10.12 Hz），长文本更紧凑，18个样本里没有出现5秒以上的异常停顿，IndexTTS1.5有3个。\u003C/dd>\u003Cdt>IndexTTS2是不是全面领先IndexTTS1.5？\u003C/dt>\u003Cdd>不是。自动转写错误率IndexTTS1.5略低（6.27% 对6.71%）；IndexTTS2在数字与英文混排上偏弱、出现过一次漏句，输出也更响，18个样本中有11个重采样后真峰值越界。\u003C/dd>\u003Cdt>什么情况下还该用IndexTTS1.5？\u003C/dt>\u003Cdd>纯中文短文本、希望语速舒缓、对输出峰值安全要求高的场景。IndexTTS1.5的18个样本没有一个真峰值越界，但部分参考音色下会出现数秒级异常空白。\u003C/dd>\u003Cdt>IndexTTS2读数字和英文不准怎么办？\u003C/dt>\u003Cdd>生成前先把数字、日期、版本号改写成汉字读法，比如1,280写成一千二百八十、V1.5写成版本一点五。本次测试中两个版本对V1.5这类字母加数字都不稳定。\u003C/dd>\u003Cdt>这份实测的数据能代表人耳听感吗？\u003C/dt>\u003Cdd>不能完全代表。转写错误率、MFCC、音高差都是机器代理指标；声调、平翘舌、轻声等字音准确度，仍需普通话听者逐字试听确认。\u003C/dd>\u003C/dl>\n\u003Chr>\u003Cdiv class=\"tail\">\n\u003Cp>数据来源：本站实测（2026-09-09）；IndexTTS官方开源仓库。\u003C/p>\n\u003Cp>引用本报告：IndexTTS2在线版编辑部，《IndexTTS1.5与IndexTTS2中文配音实测》，2026-10-12，https://indexttsonline.com/blog/indextts-1-5-vs-2-benchmark/\u003C/p>\n\u003Cp>相关文章：《\u003Ca href=\"/blog/indextts2-vs-indextts2-5/\">IndexTTS2与IndexTTS2.5有什么区别\u003C/a>》｜《\u003Ca href=\"/blog/indextts-2-5-vs-omnivoice-benchmark/\">IndexTTS2.5与OmniVoice日语西班牙语克隆实测\u003C/a>》\u003C/p>\n\u003C/div>\n",1791862157399]