WIndexTTS

Windows-priority, zero-JIT-compile, pure-torch accelerated inference engine for IndexTTS-2.5.

目标：在 Windows 上 pip install 即用（无 MSVC / nvcc / triton 编译依赖）的前提下， 用纯 PyTorch 重写 IndexTTS-2.5 的神经网络推理，并实现比官方 use_accel 更彻底的 CUDA Graph 加速。

vs 官方 index-tts：核心推理代码少 1w+ 行（19513 → 2315 纯代码），速度更快（最高 4.6x），功能更多（CUDA Graph 全覆盖 / W4A16 / 低显存）。

Apple Silicon：同时提供纯 MLX（Metal）推理后端 windextts_mlx —— 无需 torch/CUDA，支持 W4A16 INT4 量化、kernel 融合与低内存运行，详见下方「MLX 适配」。

快速开始（Windows）

Windows 用户两种方式任选：

方式一：整合包（解压即用，推荐）

直接下载整合包（已内置模型权重，无需 Python / 编译工具链）：

https://www.modelscope.cn/models/baicai1145/WIndexTTS-Releases/resolve/master/WIndexTTS-Windows-Portable.7z

下载后解压，按包内说明运行即可。

方式二：pip 安装

pip install windextts

模型权重需单独下载，见下方「获取模型权重」。

状态

已发布：PyPI windextts v0.4.0 + Windows 整合包（解压即用、内置权重）。最快延迟追平并超过 vLLM-Omni fast。

本版亮点：统一 CLI 后端自动选择（NVIDIA GPU → CUDA torch，Apple Silicon → 纯 MLX/Metal，WINDEXTTS_BACKEND 可强制）；MLX 后端随包分发（W4A16 INT4 + kernel 融合 + 前端用后释放，实测推理峰值 ~3.2GB）；性能持续优化（SDPA 注意力融合 / BigVGAN 子图编译，累计提速 ~31%）。

能力：CLI / OpenAI 兼容 HTTP API / Gradio WebUI / Python API 四入口； W4A16 INT4 量化（可选）、低显存模式（3GB 显卡可用）、中文文本归一化（jieba/cn2an/tn）、 多语言、情感控制（向量/文本/参考音频）。

性能（A10G 24GB，统一协议实测：4 段长中文（成音 5.3-8.7s）、beam3 采样、warmup 后每档 12 次计时）

引擎	精度	CFM 步数	解码	RTF 均值	显存	vs 官方 fp32
官方 fp32	fp32	25	beam3 采样	0.62	7.4G	1.0x
官方 bf16	bf16	25	beam3 采样	0.68	5.8G	0.91x（更慢）
WIndexTTS 保真档	fp32	25	beam3 采样	0.55	8.9G	1.13x
WIndexTTS fp32	fp32	15	beam3 采样	0.49	8.9G	1.28x
WIndexTTS fp16	fp16	25	beam3 采样	0.30	4.7G	2.04x
WIndexTTS 默认档	fp16	15	beam3 采样	0.24	5.5G	2.6x
WIndexTTS W4A16	fp16	12	beam1 采样	0.17	4.5G	3.6x
WIndexTTS W4A16 极速	fp16	12	greedy	0.14	4.2G	4.6x
WIndexTTS fp16 低显存	fp16	15	beam3 采样	0.19	3.6G	3.2x
WIndexTTS W4A16 低显存极速	fp16	12	greedy	0.12	2.9G	5.3x
vLLM-Omni（默认 deploy）	bf16	25	beam1 采样	0.20	~18G*	3.10x

⚠️ greedy（beam1+argmax）对效果影响较大

MLX 适配（Apple Silicon）

仓库随 windextts 一起分发纯 MLX 推理后端 windextts_mlx/：在 Apple Silicon（Metal）上原生运行， 不依赖 torch / CUDA；复用 torch 包的纯 Python 前端（tokenizer/normalizer/segmenter）与 config， pip install windextts 即包含。统一入口 windextts 在 Apple Silicon 上会自动选用本后端 （详见下方「后端自动选择与 WINDEXTTS_BACKEND」）。

能力：W4A16 INT4 量化（GPT body 4bit）、kernel 融合（SDPA 注意力 / BigVGAN 子图编译）、 统一内存缓存上限控制、前端用后释放（首段推理后释放 w2v-bert/cam++/QwenEmotion，常驻 -1.1GB）。 回退开关：WINDEXTTS_NO_ATTN_SDPA=1 / WINDEXTTS_NO_ACT_COMPILE=1 / WINDEXTTS_KEEP_FRONTEND=1 等。

实测（M4，统一内存 16GB，greedy，RTF = 耗时/音频时长，>1 慢于实时， 与上方 A10G 性能表的 CUDA 协议 RTF 口径不同）：

配置	解码	RTF	推理峰值内存
fp16	greedy	1.42x	~3.9 GB
fp16 + W4A16（最低内存）	greedy	1.14x	~3.2 GB
fp16 + W4A16	beam3 采样	1.53x	~3.2 GB

说明：RTF 为保守上界（含系统内存压力残留），更干净的窗口下可再降低； W4A16 量化同时省内存（-0.7GB）且更快（int4 带宽减半）。

各阶段拆解（fp16 beam3 @15步，短句协议；fp32 对照见括号）

GPT-AR beam3 (CUDA Graph 静态 batch K=3)          ~526ms  ~51%  （fp32: 984ms，占 64%）
S2Mel-CFM (CUDA Graph, 15步)                      ~154ms  ~15%  （fp32: 382ms）
BigVGAN (fp16 + remove_weight_norm)                ~59ms   ~6%  （fp32: 80ms）
codec + 前端 + Python 设置                          ~25ms   ~3%
─────────────────────────────────────────────────────────
E2E（短句参考）                                    ~1.0s
长文本统一协议见上表（默认档 1.62s / 极速档 1.01s）

fp32 档瓶颈：GEMM 计算密度（GPT-AR 984ms 占 64%），graph 等手段只消调度开销；fp16 GEMM 2x 是最大单台阶。

加速轮次（R1-R14 精选）

轮次	技术	效果	质量
R1	TeaCache（S2Mel DiT 步骤跳过）（已回退；代码已在 v0.2.1 移除）	S2Mel 465→247ms (1.88x)	mel cosine 0.98
R2	fp16 GPT-AR（混合精度）	GPT 430→245ms (1.77x)	greedy 78/78 精确
R3	fp16 BigVGAN	89→58ms (1.53x)	cosine 0.9998
R4	CFM 欧拉步 25→15	S2Mel 251→177ms	cosine 0.998
R5	紧凑 KV buffer（max_mel_tokens 1000→300）	GPT 184→124ms (1.48x)	无截断
R8	TeaCache 阈值 0.15→0.25（已回退；代码已在 v0.2.1 移除）	S2Mel 185→165ms	cosine 0.999
R9	CFM 步数 15→12	S2Mel 168→137ms	cosine 0.9995
R12	S2Mel CUDA Graph 修复并启用（dt_buf GC + freqs_cis rebuild 两个根因 bug）	eager 488→graph 442ms	0/75 板砖，21/21 对齐
R13	fp16-native DiT（移除 .float() 精度守卫）	S2Mel 433→400ms	cosine 0.9997
R14	CUDA-Graph beam search（静态 batch K=3，无 KV 重排）	eager beam3 1464→~490ms，e2e 1.4→0.65s	9/10 seed 位级一致

可调参数（质量/速度权衡）

tts = WIndexTTS(weights_dir=..., device="cuda", dtype=torch.float16,  # fp16 最快保真；默认 fp32
                enable_w4a16=True)  # INT4 GPT（更快，有损，听感可用；需 pip install 'windextts[quant]'）

tts.warmup()  # 预捕获 CUDA Graph，把 ~1s 冷启动成本移出首请求
tts.infer(ref, text, 'ZH',
    num_beams=3,          # 默认官方质量档；1+do_sample=True = 极速且自然；
                          # 1+do_sample=False = 纯 greedy（最快但韵律机械拖沓，慎用）
    cfm_steps=15,         # CFM 欧拉步（15=听感无损下限；12=极速，音节末尾呼吸处轻微变差；25=最高）
    cfg_rate=0.7,         # CFG 强度（0.3=快10%，0.0=最快无引导）
)

运行

需要：模型权重（见下）+ 任意参考音频 wav（5-15s 干净人声）。

获取模型权重

模型来自 IndexTeam 官方发布，二选一：

# HuggingFace（海外）
pip install -U "huggingface_hub[cli]"
hf download IndexTeam/IndexTTS-2.5 --local-dir=IndexTTS-2.5

# ModelScope（国内）
pip install modelscope
modelscope download --model IndexTeam/IndexTTS-2.5 --local_dir IndexTTS-2.5

下载后把目录路径传给 --model-dir / weights_dir=，或设环境变量：

export WINDEXTTS_WEIGHTS_DIR=/path/to/IndexTTS-2.5

安装

pip install windextts                    # 核心（纯 torch，零 JIT 编译）
pip install 'windextts[server]'         # HTTP API（/v1/audio/speech）
pip install 'windextts[webui]'          # Gradio WebUI
pip install 'windextts[quant]'          # W4A16 INT4 加速（可选）

# Apple Silicon（MLX 后端，Metal 加速）：核心包同样包含 windextts_mlx 子包，
# 用 [mlx] extra 一条命令装好 MLX 运行时
pip install 'windextts[mlx]'

CLI

# 基础（fp16）
windextts --ref voice.wav --text "你好世界" -o out.wav
# 最快（INT4 量化）
windextts --ref voice.wav --text "你好世界" -o out.wav --quantize   # 或旧别名 --w4a16
# 精度 / 束搜索控制（--fp32 / --greedy 为等价旧别名）
windextts --ref voice.wav --text "你好" -o out.wav --dtype fp16 --beams 1
# 情感向量 + 时长
windextts --ref voice.wav --text "你好" -o out.wav --emo-vector 0.8,0,0,0,0,0,0.2,0 --duration 1.1

# 仅 CUDA：低显存模式（保持 beam3 质量，稳态 ~2.9GB）
windextts --ref voice.wav --text "你好" -o out.wav --quantize --low-vram

### 后端自动选择与 WINDEXTTS_BACKEND

同一条 `windextts` 命令按平台自动选后端：**NVIDIA GPU → CUDA torch；Apple Silicon（arm64 且已装 mlx）→ MLX**。
检测不导入 torch/mlx（platform + find_spec），零开销。可用环境变量强制覆盖：

```bash
WINDEXTTS_BACKEND=mlx windextts ...    # 强制 MLX
WINDEXTTS_BACKEND=torch windextts ... # 强制 torch（Apple Silicon 上无 NVIDIA 卡会明确报“CUDA 不可用”）
WINDEXTTS_BACKEND=cuda windextts ...  # 同 torch

两侧参数一致（--text-file/-o/--model-dir/--duration/--top-p/--top-k/--temperature/ --no-normalize/--segment-tokens/--emo-vector|--emo-text|--emo-ref/--beams/--cfm-steps 等）； 仅 CUDA 支持的 --low-vram 在 MLX 后端会被忽略并告警，--install-model 则明确报错退出。 旧的独立入口仍然可用：

python -m windextts_mlx --ref voice.wav --text "你好世界" --quantize -o out.wav
# MLX 参数与统一入口一致：--dtype fp32|fp16、--quantize（W4A16）、--beams（1=greedy）、--cfm-steps、--lang、--model-dir（MLX 权重目录）

### HTTP API（OpenAI 兼容）

```bash
windextts-server --w4a16 --port 8000 --voices default=voice.wav

curl -s http://localhost:8000/v1/audio/speech \
    -H 'Content-Type: application/json' \
    -d '{"model":"windextts","input":"你好世界","voice":"default"}' \
    -o out.wav

WebUI（Gradio）

# 任意环境（wheel 内置 webui，四个入口点均可 pip 安装）
pip install 'windextts[webui]'
windextts-webui --model_dir /path/to/IndexTTS-2.5    # 0.0.0.0:7860

# 或仓库源码运行
python webui.py --model_dir /path/to/IndexTTS-2.5

功能：参考音频上传、精度运行时切换（W4A16/fp16/fp32）、低显存模式、多语言、 情感控制（向量/文本/参考音频）、采样参数、性能调优、一键基准。

Python API

import torch
from windextts.inference import WIndexTTS

tts = WIndexTTS(weights_dir="/path/to/IndexTTS-2.5",
                 device="cuda", dtype=torch.float16, enable_w4a16=True)
tts.warmup()
sr, wav = tts.infer("voice.wav", "你好世界", "ZH")

# Apple Silicon（纯 MLX，无需 torch/CUDA）
from windextts_mlx import WIndexTTSMLX

tts = WIndexTTSMLX(weights_dir="/path/to/IndexTTS-2.5-mlx",
                   dtype="fp16", quantize=True)  # quantize=True = W4A16
sr, wav = tts.infer("voice.wav", "你好世界", "ZH")