8 月 6 日消息，Bilibili Index 團隊于 8 月 4 日發布博文，宣布通過自研 IndexTTS2 模型，推出“原聲風格”視頻配音功能，可以支持將部分中文視頻翻譯為外語的原聲風格配音。

而在最新博文介紹中，官方介紹了該功能背后的 AI 模型。

該團隊表示通過該自研模型，讓視頻人物不再是千篇一律的“代言人聲線”，而是像本人親自講外語一樣自然，聲音、語氣、節奏，甚至個性表達都和原片幾乎一致，觀眾可以聽到“這個人用另一種語言在說話”。

BILIBILI IndexTTS2 模型架構

該模型創新性地提出了一種通用于 AR 系統的“時間編碼”機制，首次解決了傳統 AR 模型難以精確控制語音時長的問題。這一設計在保留 AR 架構在韻律自然性、風格遷移能力、多模態擴展性等方面優勢的同時，也具備了合成定長語音的能力。

團隊還推出通過音色克隆、聲場一致性、多聲源融合等技術，解決了傳統配音中聲音人格缺失、字幕干擾及本地化成本高等痛點。

系統還針對多說話人場景優化說話人分割、情緒遷移與語速控制，并引入 RIVAL 對抗式強化學習框架提升翻譯質量與風格適配度。

在視頻層面，結合字幕擦除與基于 Diffusion 的高保真唇形同步，確保音畫一致與沉浸感。B站表示，未來將支持更多語言，并計劃開源模型，推動多語言、跨模態內容全球化傳播。