IndexTTS2 多模型语音工作台
将 IndexTTS 2.5、IndexTTS 2.0、OmniVoice、Fish Audio S2 Pro 与 VoiceStudio 原生 OmniVoice 统一到一个界面，完成音色库、按需加载、参考音频转写、情绪与表达控制、长文分段和任务终止。
已完成应用
两个产品，一套完整内容生产能力。
不是概念方案。每个案例都公开输入输出、调用顺序、关键算法、失败回退和验证口径。
视频首页 MP4 生成器
上传音频、口播文案和图片后，自动建立图片时间线、识别停顿、对齐逐句字幕、适配横竖屏并输出 H.264/AAC MP4。任务异步执行，保留状态、日志、结果与历史记录。
深度技术档案
从第一步到最后一步，把工程事实全部摊开。
页面不是简单作品集。完整开发记录把两个应用拆成可检索步骤；模型档案逐一列出调用合同、优点、缺点、适用任务和许可边界。
工程逻辑
从模型能力到可交付产品，中间还有六层工作。
我们不仅会调用模型，还会处理模型切换、内存、任务状态、质量门槛、异常回退和用户操作成本。
先把参考资料变成稳定输入
校验音频格式、时长、转写文本、图片方向和文案结构，减少模型之外的随机错误。
根据目标选择引擎
高相似度克隆、情绪向量、文字音色设计、长文与多说话人分别进入不同模型路径。
大模型按需加载
切换引擎时释放旧模型，保存各模型参数档案，控制 Apple Silicon 统一内存压力。
长任务可观察、可暂停
文案安全分段，逐段更新进度与预计剩余时间，支持终止并保留已完成片段。
时间线与字幕用绝对时间戳
从音频停顿确定句子边界，再由 FFmpeg 在固定帧率下完成画面、字幕和音轨合成。
输出不是“生成成功”就结束
继续核对时长、采样率、峰值、画面尺寸、编码、字幕边界、播放与下载结果。
模型矩阵
同一工作台，针对不同生成目标选择不同模型。
以下是当前本地项目中真实存在的五个引擎入口。商业使用前仍需分别核对模型权重许可。
| 引擎 | 主要方式 | 适合任务 | 关键实现 |
|---|---|---|---|
| IndexTTS 2.5 | 参考音频克隆 | 日常中文配音、长文 | MLX / 8-bit，默认主引擎，音色条件缓存 |
| IndexTTS 2.0 | 克隆 + 8 类情绪 | 需要明确情绪向量的口播 | 情绪类型与强度分离控制 |
| OmniVoice MLX | 克隆 / 设计 / 自动音色 | 文字描述音色、耳语与表达预设 | 参考音频与逐字转写对齐，本地 ASR 补全 |
| Fish Audio S2 Pro | 克隆 / 自动 / 多说话人 | 表达标签与多角色内容 | 安全分段、参考编码缓存、44.1 kHz 输出 |
| VoiceStudio · OmniVoice | 原生 PyTorch/MPS | 原生能力验证与兼容路径 | 独立子进程、切换释放、克隆/设计/自动模式 |
设计与验证
技术能力也体现在“把复杂系统做得能用”。
音色工作台不仅接入模型，也持续修正实际操作中的信息密度、长名称可读性、危险操作识别和多模型参数迁移。
- 真实浏览器尺寸下校验布局比例与长文本溢出
- 不同模型只显示当前有效参数，避免误操作
- 生成任务有进度、暂停、终止与部分结果保留
- 模型声明、情绪能力和商业许可边界明确区分
规模化交付
十万字、二十万字和长视频，靠可靠编排完成。
项目规模不设固定业务上限，但不会把整本书冒险塞进一次模型推理。稳定来自章节批次、模型安全分段、检查点和可恢复队列。
10 万字、20 万字及更大内容
当前 WebUI 单任务有 100,000 字符保护上限；更大的稿件按书、章、节建立批次，完成一段即落盘，失败只重跑对应片段。
章节、整书都能交付
统一采样率、响度、段间静音和命名，检查缺段、重段与顺序后，可交付单章文件或合并后的完整音频。
总时长由音频驱动
生成器没有人为写死分钟数上限。数小时内容可以合成一个 MP4，也可按章节拆成多集，实际规划取决于磁盘、编码时间和平台规则。
商务合作
需要的是成品，不是自己研究一遍模型。
可提供授权音色克隆、TTS 模型接入、本地工作台、十万字以上批量音频、长视频首页自动化和完整内容生产流程的定制开发与交付。
请说明大致字数、目标音色、视频长度、画面素材和交付格式，我们会据此拆分可执行方案。