全能音声工作台
IndexTTS2
新建
导入
🧠 智能导入
📄 原文本预览
📝 当前文本预览
保存
—
回到初始样本
⏱
保存并进入时间轴
⚙ 设置
🌙 夜间
返回主界面
🎓 第一次用?看看这里
📥 素材导入台
🎙 音色素材库
🔔 音效素材库
🏷 标签跟随
🧹 清理空间
⏹ 停止播放
编辑
工作台
全选
未选中
选中
未生成
清空
↑ 往前全选
↓ 往后全选
批量改属性
复制选中
删除选中
粘贴
↩ 撤回属性
改动
0
智能分行
↶
↷
历史
筛选
全部状态
已生成
未生成
需重新生成
失败
有句中标签
无句中标签
仅句间标签
全部音色
全部情感
同音色
情感音频
情感向量
情感文本
只看句中标签
只看标签
清除
回车
句中切分 / 句末新建空行 ·
Backspace
行首合并 ·
Delete
行尾并入下一行 ·
Ctrl+Enter
生成这一行 ·
右键
行菜单(属性 / 复制 / 前后全选)· 行间空隙插句间标签 · 句首 + 插句中标签
+ 末尾加一行
+ 句间标签
句间标签占一行、可留白;句中标签只做标记,不改音频。
全局默认参数
✕
设置
上半部分是
整台机器通用
的偏好(跨台本、跨工程);台本默认参数收在最后。
时间轴与工作台
新语音片段默认锁定
锁定 = 位置和时间跟着台本走,要拖动得先解锁(L 键 / 右键)。关掉之后新片段可以直接拖。
时间轴默认开吸附
拖动片段时吸附到标记 / 其它片段边缘。时间轴顶栏可以临时关掉。
标记悬浮窗默认显示
鼠标扫过标记线时弹出「+ 插入素材」。关掉后仍可从右键菜单插入。
标签跟随默认
新建工程用;已有工程在时间轴「标记」区单独设
跟随句子(默认)— 句中 / 句间标签都跟着句子走
固定首版位置 — 标签钉在第一次的位置
只跟句中 — 句间标签固定
只跟句间 — 句中标签固定
混音导出默认
格式
WAV — 无损,最通用
FLAC — 无损压缩
MP3 — 体积小
OGG — 体积小
采样率
16000 Hz
22050 Hz
32000 Hz
44100 Hz
48000 Hz
96000 Hz
声道
立体声(保留声像)
单声道(体积减半)
总时长口径
显示末端(和眼睛看到的一致)
源末端(含被裁掉的部分)
保存设置
这些是「这台机器」的偏好,存在
longform/settings.json
,所有台本共用。
参数预设
跨台本 · 只存方案
预设 = 一套生成参数(音色 / 情感 / 停顿 / Token),存在
longform/presets/
,所有台本共用。
「存成预设」只新增一个方案
:不改台本默认、不动任何句子。 要用的时候,在句子右键菜单、批量改属性、编辑分组、时间轴「改属性并重生成」里套用。
存成预设
⟳
台本默认参数(改当前台本 · 会影响没单独设置的行)
台本默认
只作用于当前台本:新行、以及没有单独覆盖的行都继承这里
这一段是
改当前台本
:点下面的「保存台本默认」之后,所有
没有单独设置
的行会立刻跟着变 (已有音频的标成「需重生成」,重跑才替换)。只想存一套方案、不改变任何句子 → 用上面的「存成预设」。
默认音色
默认情感模式
与音色参考音频相同
情感参考音频
情感向量
情感描述文本(实验)
默认情感参考音频
模式 1 用
默认情感向量
模式 2 用
情感权重
0.65
默认行间停顿
毫秒
每段最大 Token
120 ≈ 90 字
分句
每行字数上限
按长度合并
一句一行
采样参数
temperature
0.80
top_p
0.80
top_k
num_beams
rep_penalty
max_mel
保存台本默认(改这份台本)
+ 上传音色
📥 导入台处理
列表
卡片
网格
⟳
0 个
用在哪:
台本每一行的「音色」都从这里选;点名字改名、✓ 设为全局默认、▶ 试听、右键更多。
只取前 5–15 秒最稳。上传后统一转成
22.05kHz 单声道 WAV
(模型只认这条线),同内容自动去重。
+ 上传音效
📥 导入台处理
列表
卡片
网格
粘贴副本
⟳
0 个
用在哪:
句间标签的 🔔 按钮(或右键「挂载音效」)从这里挑;音效固定在「标签时间 + 留白」处, 进时间轴后自动出现在素材轨的对应位置。
视频只是
来源
:导入时就把音轨抽成 44.1k WAV,库里不保留视频;混音与工程导出读到的始终是这条 WAV。
导入台素材库
检测能力中…
存入
🎙 音色库
🔔 音效库
音色会统一转 22.05k 单声道(模型只认这个)
♻ 回收站
清空导入台
拖多个文件到这里,或点击选择
音频 wav/mp3/flac/ogg/m4a · 视频 mp4/mov/mkv …
全部
音频
视频抽取
处理结果
刷新
全选 / 取消
0 个素材
列表
卡片
网格
右键可试听 / 重命名 / 快捷处理
处理
先勾选素材
快捷:
净化人声
做成音色
音效快捷:
短音效
环境音
人声提示
提取人声(去伴奏)
只要人声
只要伴奏
Demucs 高精度
中置提取(快)
强度
0.65
Demucs:按「人声 / 鼓 / 贝斯 / 其它」分离,伴奏居中也能分开,效果最好(CPU 上比中置提取慢几十倍);想快可切中置提取。
降噪
强度
0.50
谱减法:压掉稳定的底噪(空调声、嘶声),过强会让人声发闷。
去掉首尾静音
dB 阈值
低于阈值的开头/结尾会被裁掉,保留 60ms 余量。
响度标准化
峰值归一
RMS 归一
dB
峰值归一保证不削波;RMS 归一听感更均匀,适合较长素材。
裁剪时间段
秒
先裁再处理:只想要副歌/某一句时很有用。
淡入淡出
采样率 / 声道(默认都不变)
保持原样
16000 Hz
22050 Hz
44100 Hz
48000 Hz
声道不变(原文件)
单声道
立体声
裁剪时间段
秒
先裁掉不要的部分再做其它处理,最省时间。
去首尾静音
dB 阈值
音效最怕开头带 0.3 秒空白,挂到标签上会显得慢半拍。
降噪
强度
0.50
谱减:压掉稳定底噪(空调、嘶声)。环境音想保留质感就别开太高。
淡入 / 淡出
短音效建议 5–20ms 淡入淡出,消掉咔哒声。
响度 / 音量
峰值归一
RMS 归一
dB
额外增益
dB(可负)
归一 + 增益:先对齐峰值,再整体加减音量,混音里更好控。
变速(不变调)
1.00×
WSOLA 时间伸缩:
1.00×
不变,大于 1 更快、小于 1 更慢,音高不变。
变调(不变时长)
0
半音
重采样 + 时间伸缩:升高会更「薄」,降低更「厚」,长度不变。
低切 / 高切
低切
Hz
高切
Hz(0 = 不做)
低切去轰鸣/空调声,高切去嘶声。环境音常用 80Hz 低切。
反向播放
整段倒放:做「吸入」「上升」类音效常用。建议配合淡入。
从歌曲里取
只要人声
只要伴奏
Demucs 高精度
中置提取(快)
强度
0.65
Demucs:分离更干净(尤其中置的鼓/贝斯),代价是慢;中置提取只适合「人声明显居中」的立体声素材。
采样率 / 声道(默认都不变)
保持原样
22050 Hz
44100 Hz
48000 Hz
声道不变(原文件)
单声道
立体声
处理并存入音色库
直接存入
🎙 去音色素材库
🔔 去音效素材库
处理后把原始素材留在导入台(推荐:方便二次处理;取消勾选才会把源文件移进回收站)
正在检查 ffmpeg…
⬆ 上传 ffmpeg.exe
✎ 填路径…
⟳ 重新探测
导入台素材库(中转站)
:上传的音频/视频先落在这里,勾好处理项后点「处理并存入」, 结果才会成为音色 / 音效。导入台里的中间文件不会出现在两个库里。
标题
取消
确定
重命名
取消
保存