先说结论，B站出的这个开源语音大模型比阿里的RosyVoice效果要好很多，基本属于“天壤之别”了。

安装git-lfs

brew install git-lfs

安装项目

git lfs install  
git clone https://github.com/index-tts/index-tts.git && cd index-tts  
git lfs pull  # 下载大文件

安装uv

uv sync --all-extras --default-index "https://mirrors.aliyun.com/pypi/simple"

这里会遇到“indextts[deepspeed] (v2.0.0) depends on deepspeed”错误，由于deepspeed不兼容macOS，故只能使用：

uv sync --extra webui

下载模型

uv tool install "modelscope"  
modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

遇到pyenv: version `3.10′ is not installed错误。

直接pyenv安装3.10环境再下载模型即可。

pyenv install 3.10.13

modelscope download --model IndexTeam/IndexTTS-2 --local_dir checkpoints

运行

uv run webui.py

首次执行非常慢，需要等待下载基础模型。

然后浏览器访问：http://127.0.0.1:7860 就OK了。

克隆并生成一段6秒的语音，大概耗时50秒。