[{"data":1,"prerenderedAt":4},["ShallowReactive",2],{"blog-body-indextts-2-5-vs-omnivoice-benchmark":3},"\u003Cblockquote>\u003Cp>\u003Cstrong>结论：没有全面赢家。\u003C/strong> 日语中性克隆，两者声纹相似度近似持平（IndexTTS2.5 0.8776，OmniVoice 0.8815，只差0.0039），IndexTTS2.5的基频更接近原声；西班牙语这组样本，OmniVoice的声纹和基频都更接近参考音频。\u003C/p>\u003Cp>\u003Cstrong>IndexTTS2.5的日语、西班牙语情绪控制已验证可执行\u003C/strong>，但情绪越强，日语音色漂移越明显。\u003C/p>\u003C/blockquote>\n\u003Cp>IndexTTS2.5和小米OmniVoice是2026年两款热门的开源多语言零样本声音克隆模型，很多人在问\"做日语、西班牙语配音选哪个\"。网上的对比大多只转述官方参数，这篇用同一段参考音、在同一条件下跑出来的数据说话，并且把测不出结论的地方也写清楚。\u003C/p>\n\u003Ch2 id=\"s1\">两个模型分别是什么\u003C/h2>\n\u003Cul>\u003Cli>\u003Cstrong>IndexTTS2.5\u003C/strong>：B站IndexSpeech团队于2026年8月10日开源。官方技术报告（arXiv:2601.03888）写明它把语言扩展到中文、英语、日语、西班牙语，推理速度约为IndexTTS2的2.28倍。和IndexTTS2的区别见《\u003Ca href=\"/blog/indextts2-vs-indextts2-5/\">IndexTTS2与IndexTTS2.5有什么区别\u003C/a>》。\u003C/li>\u003Cli>\u003Cstrong>OmniVoice\u003C/strong>：小米新一代Kaldi团队（k2-fsa）开源的零样本多语言语音克隆模型，官方仓库为github.com/k2-fsa/OmniVoice。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s2\">这次测试怎么做的\u003C/h2>\n\u003Cul>\u003Cli>\u003Cstrong>对比方式\u003C/strong>：同一个参考音，分别用两个模型做零样本声音克隆。\u003C/li>\u003Cli>\u003Cstrong>语种\u003C/strong>：日语、西班牙语各一组。\u003C/li>\u003Cli>\u003Cstrong>样本\u003C/strong>：每个语种包括参考原声、IndexTTS2.5中性、IndexTTS2.5悲伤0.6、IndexTTS2.5降速、OmniVoice中性。\u003C/li>\u003Cli>\u003Cstrong>处理\u003C/strong>：所有音频统一转为16kHz单声道后计算。\u003C/li>\u003Cli>\u003Cstrong>指标\u003C/strong>：输出时长、有效语音占比、180毫秒以上的内部停顿、响度、基频中位数与范围，以及SpeechBrain ECAPA-TDNN声纹相似度。\u003C/li>\u003C/ul>\n\u003Cp>几个指标的边界要先说清：\u003C/p>\n\u003Cul>\u003Cli>\u003Cstrong>声纹相似度\u003C/strong>只衡量\"像不像参考说话人\"，不是发音准确率；\u003C/li>\u003Cli>\u003Cstrong>基频更接近\u003C/strong>不代表语言发音更正确；\u003C/li>\u003Cli>原始样本没有保存日语、西班牙语的合成目标文本，所以\u003Cstrong>这次算不了字错误率\u003C/strong>。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s3\">中性克隆：日语打平，西班牙语OmniVoice领先\u003C/h2>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>语言\u003C/th>\u003Cth>模型\u003C/th>\u003Cth class=\"n\">ECAPA声纹相似度\u003C/th>\u003Cth class=\"n\">相对原声基频中位数误差\u003C/th>\u003Cth>解读\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>日语\u003C/td>\u003Ctd>IndexTTS2.5\u003C/td>\u003Ctd class=\"n\">0.8776\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>1.8%\u003C/strong>\u003C/td>\u003Ctd>基频更接近原声\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>日语\u003C/td>\u003Ctd>OmniVoice\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>0.8815\u003C/strong>\u003C/td>\u003Ctd class=\"n\">8.4%\u003C/td>\u003Ctd>声纹只高0.0039，近似持平\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>西班牙语\u003C/td>\u003Ctd>IndexTTS2.5\u003C/td>\u003Ctd class=\"n\">0.6748\u003C/td>\u003Ctd class=\"n\">7.4%\u003C/td>\u003Ctd>本组未显示音色优势\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>西班牙语\u003C/td>\u003Ctd>OmniVoice\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>0.8010\u003C/strong>\u003C/td>\u003Ctd class=\"n\">\u003Cstrong>5.4%\u003C/strong>\u003C/td>\u003Ctd>声纹与基频都更接近原声\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/art03-img2-metrics.webp\" alt=\"IndexTTS2.5与OmniVoice日语和西班牙语的声纹相似度及基频误差对比\" width=\"1200\" height=\"630\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>中性克隆的声纹相似度与基频误差（机器指标，不代表发音准确率）\u003C/figcaption>\u003C/figure>\n\u003Cdiv class=\"audiogroup\">\u003Cdiv class=\"ahdr\">日语对比组 · 同一参考音\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">日语参考音频\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-ref-ja.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS2.5 · 中性\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-au1-ja-indextts25-neutral.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">OmniVoice · 中性\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-au1-ja-omnivoice-neutral.mp3\">\u003C/audio>\u003C/div>\u003Cp class=\"anote\">演示样本：同一日语参考音，IndexTTS2.5与OmniVoice零样本克隆的中性版本（2026年10月录制）。文中数据来自2026年8月实测。\u003C/p>\u003C/div>\u003Cdiv class=\"audiogroup\">\u003Cdiv class=\"ahdr\">西班牙语对比组 · 同一参考音\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">西班牙语参考音频\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-ref-es.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">IndexTTS2.5 · 中性\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-au2-es-indextts25-neutral.mp3\">\u003C/audio>\u003C/div>\u003Cdiv class=\"audio\">\u003Cspan class=\"alabel\">OmniVoice · 中性\u003Cem class=\"aigen\">AI生成\u003C/em>\u003C/span>\u003Caudio controls preload=\"none\" src=\"/blog/audio/art03-au2-es-omnivoice-neutral.mp3\">\u003C/audio>\u003C/div>\u003Cp class=\"anote\">演示样本：同一西班牙语参考音，两模型零样本克隆的中性版本（2026年10月录制）。\u003C/p>\u003C/div>\n\u003Cp>\u003Cstrong>日语\u003C/strong>：声纹指标近似持平，0.0039的差距不能说成谁明显领先。IndexTTS2.5的基频误差只有1.8%，OmniVoice为8.4%，前者的音高轮廓更贴近原声。\u003C/p>\n\u003Cp>\u003Cstrong>西班牙语\u003C/strong>：这组样本里，机器指标明显支持OmniVoice的声音更接近参考音频，声纹0.8010对0.6748，基频误差5.4% 对7.4%。\u003C/p>\n\u003Cp>\u003Cstrong>关于\"发音\"\u003C/strong>：本次单人试听中，试听者主观认为IndexTTS2.5的日语和西班牙语发音更自然。这和西班牙语的声纹结果并不矛盾，因为\"发音自然\"和\"声音像不像\"是两个不同维度。但它只是一个人的主观判断，没有目标文本、母语语音识别或多人盲听支撑，不能当作客观准确率结论。\u003C/p>\n\u003Ch2 id=\"s4\">IndexTTS2.5的多语言情绪控制：能用，但要注意音色漂移\u003C/h2>\n\u003Cp>我们把IndexTTS2.5的日语和西班牙语，从\"中性\"调到\"悲伤0.6\"，看参数有没有真正生效：\u003C/p>\n\u003Cdiv class=\"tbl\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>语言\u003C/th>\u003Cth class=\"n\">时长变化\u003C/th>\u003Cth class=\"n\">停顿总量变化\u003C/th>\u003Cth class=\"n\">基频中位数变化\u003C/th>\u003Cth class=\"n\">声纹相似度 中性 → 悲伤\u003C/th>\u003Cth>判断\u003C/th>\u003C/tr>\u003C/thead>\u003Ctbody>\u003Ctr>\u003Ctd>日语\u003C/td>\u003Ctd class=\"n\">+59.5%\u003C/td>\u003Ctd class=\"n\">+136.8%\u003C/td>\u003Ctd class=\"n\">+19.4%\u003C/td>\u003Ctd class=\"n\">0.8776 → 0.6948\u003C/td>\u003Ctd>情绪调制强，音色漂移明显\u003C/td>\u003C/tr>\u003Ctr>\u003Ctd>西班牙语\u003C/td>\u003Ctd class=\"n\">+13.5%\u003C/td>\u003Ctd class=\"n\">+13.8%\u003C/td>\u003Ctd class=\"n\">+14.0%\u003C/td>\u003Ctd class=\"n\">0.6748 → 0.8434\u003C/td>\u003Ctd>有可测变化，声纹反而提高\u003C/td>\u003C/tr>\u003C/tbody>\u003C/table>\u003C/div>\n\u003Cfigure class=\"fig\">\u003Cimg src=\"/blog/images/art03-img3-emotion.webp\" alt=\"IndexTTS2.5日语与西班牙语从中性调到悲伤0.6后的时长、停顿与基频变化\" width=\"1200\" height=\"630\" loading=\"lazy\" decoding=\"async\">\u003Cfigcaption>中性 → 悲伤0.6的时长、停顿与基频变化\u003C/figcaption>\u003C/figure>\n\u003Cp>能确认的有三点：IndexTTS2.5可以在日语和西班牙语里执行情绪控制；同样的\"悲伤0.6\"，不同语言的响应幅度差很多；日语情绪版本的音色漂移比较明显。\u003C/p>\n\u003Cp>不能确认的也要说：情绪变化越大不等于越自然；\"悲伤0.6\"在不同语言里未必是同样的主观强度；也不能说IndexTTS2.5的情绪比OmniVoice好，因为这次没有OmniVoice同条件的情绪样本。\u003C/p>\n\u003Cp>\u003Cstrong>实用建议\u003C/strong>：做日语情绪配音时，情绪强度先从0.3–0.4试起，确认音色还像本人再往上加。\u003C/p>\n\u003Ch2 id=\"s5\">做日语 / 西班牙语配音，怎么选\u003C/h2>\n\u003Cul>\u003Cli>\u003Cstrong>要音高贴原声、要情绪表演\u003C/strong>：IndexTTS2.5在日语上基频更贴近原声，并且情绪控制可用，适合日语角色配音、情绪台词。\u003C/li>\u003Cli>\u003Cstrong>最在意\"像不像本人\"的西班牙语内容\u003C/strong>：按本次数据，OmniVoice的声纹更接近参考音频。\u003C/li>\u003Cli>\u003Cstrong>两个都在意\u003C/strong>：同一段文案两边各生成一版盲听对比，比看任何榜单都准。\u003C/li>\u003C/ul>\n\u003Ch2 id=\"s6\">在线版怎么用IndexTTS2.5\u003C/h2>\n\u003Cp>在IndexTTS2在线版里，选择日语或西班牙语时系统会自动调用IndexTTS2.5，不用自己部署：\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3–10秒清晰干声，建好模型后点\"使用\"；\u003C/li>\u003Cli>在\u003Ca href=\"https://indexttsonline.com/ai-voice-cloning/\">声音克隆页\u003C/a>粘贴日语或西班牙语文案，选择语言和情绪强度，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\u003Cfigure class=\"shotgroup\">\u003Cdiv class=\"shotgrid\">\u003Cfigure class=\"shot\">\u003Cimg src=\"/blog/images/art03-shot1-select-language.webp\" alt=\"IndexTTS2在线版选择日语或西班牙语，系统自动调用IndexTTS2.5\" width=\"1600\" height=\"916\" loading=\"lazy\" decoding=\"async\">\u003C/figure>\u003Cfigure class=\"shot\">\u003Cimg src=\"/blog/images/art03-shot2-emotion.webp\" alt=\"IndexTTS2在线版情绪控制：选择情绪类型并调节强度\" width=\"1600\" height=\"916\" 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\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>只测了日语、西班牙语，\u003Cstrong>不包括英文\u003C/strong>：存档里没有同一英文原声、同一英文文案的正式对照；\u003C/li>\u003Cli>每个语种一组参考音，样本量有限，不代表所有音色；\u003C/li>\u003Cli>没有目标文本，算不了字错误率；没有母语者多人盲听；\u003C/li>\u003Cli>没有OmniVoice的情绪样本，不比较两者情绪能力；\u003C/li>\u003Cli>测试时间2026年8月，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>IndexTTS2.5和OmniVoice哪个多语言克隆更好？\u003C/dt>\u003Cdd>没有全面赢家。本次测试中日语声纹相似度两者近似持平（0.8776对0.8815），IndexTTS2.5的基频更接近原声；西班牙语OmniVoice声纹（0.8010对0.6748）和基频都更接近参考音频。\u003C/dd>\u003Cdt>IndexTTS2.5的日语、西班牙语能控制情绪吗？\u003C/dt>\u003Cdd>能。中性音频加入悲伤0.6后，日语时长增加59.5%、西班牙语增加13.5%，停顿与基频也有明显变化。但日语情绪版本音色漂移明显，声纹相似度从0.8776降到0.6948。\u003C/dd>\u003Cdt>OmniVoice的情绪控制和IndexTTS2.5比呢？\u003C/dt>\u003Cdd>这次无法比较。现有OmniVoice样本只有中性版本，没有相同情绪条件下的配对样本，所以不对两者的情绪能力下胜负结论。\u003C/dd>\u003Cdt>这次测试包括英文吗？\u003C/dt>\u003Cdd>不包括。存档里没有同一英文原声、同一英文文案的正式对照，所以本文不给英文胜负结论。\u003C/dd>\u003Cdt>声纹相似度高就代表发音更好吗？\u003C/dt>\u003Cdd>不代表。声纹相似度只衡量像不像参考说话人，不是发音准确率。本次单人试听中，试听者主观认为IndexTTS2.5的日语和西班牙语发音更自然，但这只是主观判断，不是客观准确率结论。\u003C/dd>\u003C/dl>\n\u003Chr>\u003Cdiv class=\"tail\">\n\u003Cp>数据来源：本站实测（测试2026-08-13，整理2026-09-09）；IndexTTS官方仓库github.com/index-tts/index-tts；IndexTTS2.5技术报告arXiv:2601.03888；小米OmniVoice官方仓库github.com/k2-fsa/OmniVoice。\u003C/p>\n\u003Cp>引用本报告：IndexTTS2在线版编辑部，《IndexTTS2.5与OmniVoice日语西班牙语克隆实测》，2026-10-12，https://indexttsonline.com/blog/indextts-2-5-vs-omnivoice-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-1-5-vs-2-benchmark/\">IndexTTS1.5 vs IndexTTS2中文配音实测\u003C/a>》\u003C/p>\n\u003C/div>\n",1791862157400]