应粉丝要求，这期测 IndexTTS 2.5 的语音生成能力。它是开源模型，所以直接在 Hugging Face 上跑，没有经过任何闭源平台。

第一题：克隆音色与参考音频一致性。 先放我的原音频，再听克隆后读同一段文字（OpenAI 发布 O3、O4 mini 那段）。整体还是能听出跟原音的区别，而且这次连内容都出错——「O3」的 3 没读出来，「O4 mini」读成了「o 和 o minni」，「go through」读成了「过思路」。

第二题：复杂符号、歧义数字与技术格式。 这题的问题更密集，翘舌音也明显比原音重，测评者自己的原话是「我翘舌音没有那么重的」。逐条对下来：①2026 年被读成「2,026 年」，不如直接读「二零二六年」地道；②3:45 没读对；③座机 138001 没读对；④邮箱 kevin_zhu@techgogogo.com 的下划线没读出来、techgogogo 没读全、.com 的点也没读出来；⑤λ= 这两个符号没读出来；⑥90 token/s 没读对；⑦H₂O 听不清，判断没读对；⑧30%~40% 读成了「-40%」。

第三题：多音字、生僻古音与轻声儿化。 那一串专名听下来一共 14 处读错，比之前测的 MiniMax Speech 2.8（10 处）、豆包 TTS 2.0（6 处）都多，是目前这一系列里最差的一档。

第四题：跨语言切换与外来人名。 中英日混排那段，英文人名的两处都读错了；日文部分和英文长句本身，测评没有另外点出问题。

第五题：音效标记控制。 查了官方资料，没有找到这个模型支持音效标记控制（如咳嗽、笑声这类标签）的能力，这道题没法测。

第六题：粤语方言支持。 原版模型同样没查到粤语支持。社区好像有人加了相关功能，但要求参考音频必须是粤语，这次就没有折腾。

开源模型的优势是自由度与可自部署，但这期测下来，符号数字、多音字这些「细活」上的短板也比较集中。完整题面和其它模型的横向对比，可以看 语音合成模型测评 专页。