IndexTTS2 Vietnamese (Zero-Shot Voice Cloning)

This model card accompanies the Vietnamese adaptation of IndexTTS2. It exposes a ready-to-use checkpoint plus preprocessing recipe so you can fine-tune or run zero-shot inference on your own speakers.

Model Summary

• Architecture: IndexTTS2 (GPT-based semantic generator + S2Mel + BigVGAN vocoder)
• Languages: Vietnamese (primary), retains English/Chinese from base checkpoint
• Capabilities: zero-shot speaker cloning, optional emotion mixing, sentence-level duration handling, torch.float16 inference
• Input requirements: ≤15 s speaker prompt WAV/FLAC (22.05 kHz recommended), UTF-8 text

Intended Use & Limitations

How to Use

Install dependencies and load the repo checkpoint. The snippet below assumes the weights/config live under checkpoints/ inside this repo or your Hugging Face space.

pip install -U torch torchaudio soundfile sentencepiece modelscope huggingface_hub

from indextts.infer_v2 import IndexTTS2

tts = IndexTTS2(
    cfg_path="checkpoints/config.yaml",
    model_dir="checkpoints",
    use_fp16=True,
    use_cuda_kernel=False,
)

result = tts.infer(
    spk_audio_prompt="ref_audio.wav",
    text="Chiến lược quân sự là nghệ thuật định hướng và sử dụng sức mạnh quân sự nhằm đạt được mục tiêu chính trị, và qua từng thời kỳ, con người đã phát triển nhiều cách tiếp cận khác nhau. Từ thời cổ đại, Tôn Tử đã nhấn mạnh yếu tố mưu lược và coi trọng việc giành thắng lợi bằng trí tuệ, tạo thế và đánh vào tâm lý đối phương hơn là chỉ dựa vào sức mạnh. Trong lịch sử, có những chiến lược như tiêu hao, tức là dùng sức mạnh liên tục để bào mòn lực lượng địch, hay quyết chiến nhanh, tập trung toàn bộ binh lực vào một trận đánh then chốt để xoay chuyển cục diện, như Hannibal ở Cannae hay Võ Nguyên Giáp ở Điện Biên Phủ. ",
    output_path="gen.wav",
    verbose=True,
)
print(result)

For batch runs, use infer_vi.py or the Gradio demo provided in this repository.

Automatic download

If checkpoints/config.yaml (or any required weights) are missing when you instantiate IndexTTS2, the code automatically downloads the full checkpoint bundle from this HuggingFace repo (dinhthuan/index-tts-2-vietnamese).
Set INDEXTTS_HF_REPO=<user/repo> to pull from a different repository, or INDEXTTS_DISABLE_AUTO_DOWNLOAD=1 to skip the download (e.g., on air-gapped machines).

Data Preparation Recap

1. Convert your metadata CSV to a JSONL manifest: tools/metadata_to_manifest.py
2. Train or extend a SentencePiece tokenizer: tools/tokenizer/train_bpe.py
3. Run multiprocess preprocessing to extract semantic, acoustic, and emotion features: tools/preprocess_multiproc.py
4. Build GPT prompt/target pairs: tools/generate_gpt_pairs.py
5. Fine-tune with trainers/train_gpt_v2.py

run_metadata_pipeline.sh automates steps 1–4.

Training Procedure

• Base checkpoint: checkpoints/gpt_old.pth (IndexTTS2 official release)
• Optimiser: AdamW, LR 1e-5, weight decay 0.01, cosine decay
• Loss mix: text 0.2, mel 0.8
• Mixed precision (AMP) with gradient clipping at 1.0

Evaluation

• Subjective MOS on internal Vietnamese validation set (~4.3 MOS @ 22 kHz)
• Word Error Rate similar to base IndexTTS2 for English/Chinese prompts (no catastrophic forgetting observed)

Citation

Please cite the original IndexTTS2 paper if you use this work:

@article{IndexTTS2,
  title={IndexTTS2: Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot TTS},
  author={IndexTTS Team},
  journal={arXiv preprint arXiv:2506.21619},
  year={2025}
}

For commercial inquiries: indexspeech@bilibili.com.