现有自回归大规模文本转语音（TTS）模型在语音自然度方面具有优势，但其逐token生成机制难以精确控制合成语音的时长。这在需要严格视音频同步的应用（如视频配音）中成为显著限制。 本文提出了IndexTTS2，创新性地提出了一种通用且适用于自回归模型的语音 ...