八ギガバイトの及第点：IndexTTS 2.5 の全面開拓、6.5 秒に 104 秒を払うハードウェアの帳、そして一本の bat が負った二つの自傷

ビリビリの音声クローンの驚異、IndexTTS 2.5 はコードだけを配り、完成品を配らない——そこで本日の工事は、コードを完成品に変えることだった。環境、重み、インターフェース、起動スクリプト、そして一句の正直なハードウェアの帳。

一、開拓：クローンから煙試験まで

全経路は公式の正道を辿った。GitHub 公式リポジトリをそのままクローンし（二日前に「末尾のカチッという音」を修めるパッチすら含まれる）、uv がロックファイル通りに環境を導入し、Windows で導入の難しい DeepSpeed を回避し、PyTorch 2.8 と CUDA 12.8 が RTX 3070 を正しく認識した。モデルの重みは代理を通って分けて下ろされた——主モデル 5.2GB（3.2GB の GPT 主幹、codec、s2mel、Qwen 感情モデル）と附属 3.9GB（w2v-bert、MaskGCT、CAMPPlus、BigVGAN）。途中で一つの繭を割いた。最初の起動が中断され、w2v-bert-2.0 は設定ファイルだけの半分のディレクトリを残し、二度目の起動ではプログラムがディレクトリの存在を見て、モデルが在位すると信じ込み、読み込みで崩れた——残骸は空虚よりもよく人を欺く。削除し、再ダウンロードし、一発で通過した。煙試験は同梱のサンプル音声を参考に使い、5.1 秒の中日混合——ではなく中英混合の音声を合成し、出力は有効な 22050Hz の WAV だった——「参考音声→声のクローン→合成」の全鎖が実地で使えることが証明された。

二、BF16：8GB カード上の正しい姿勢

VRAM の判定の鎖も追われた。起動時にプログラムは 8GB が 10GB の敷居を下回ることを検出し、低容量モードに入る——半精度と、QwenEmotion のテキスト感情モデルの省略。半精度の具体的な選択はカードに問われた（Ampere は BF16 を支持する）。FP16 ではなく BF16 となる——両者とも 16 ビットで VRAM の占有は同じだが、BF16 の数値範囲は広く、安定性が勝る。GPT 主幹、s2mel、codec はすべて BF16 で走る。これは埋め合わせの降格ではなく、このカード上での最適解である。生成が遅いのは精度と無関係で、純粋にモデルの計算量と、満載に近い VRAM の帳である。

三、104 秒で 6.5 秒を買うハードウェアの帳

ユーザーの不満にはデータが backing——ではなく後ろ盾があった。6.5 秒の音声に約 104 秒の待ち、最悪の比率は 1 対 37（7 秒の音声に四分余り）、ボトルネックは s2mel の単一ステップで 85 秒。判詞は言い訳しない。8GB の VRAM は 2.5 版にとって及第点であって、安楽圏ではない——モデルが常駐すればカードは天井に達し、デスクトップとブラウザがさらに分け合い、Windows が共有メモリへ溢れたとき速度は一桁落ちる。統合パッケージは同じモデルを同じカードで走らせる。パッケージの作り方は計算量を変えない——それが「速い」ように見えるなら、単に軽いモデル（IndexTTS 1.5、GPT-SoVITS など）を積んでいるからである。ユーザーは統合パッケージを実測し、この帳に同意し、公式版の維持を選んだ。

四、一本の bat の二つの自傷

結びの小話は自省の教科書である。自作の起動 bat は、ダブルクリックの後もサイトを立ち上げられなかった。其一、—inbrowser という引数は公式の webui.py には存在せず、Python は unrecognized arguments で即座に退出した。其二、bat の中の中国語提示は UTF-8 で書かれ、中国語版 Windows の cmd は GBK で解釈するため、文字化けした行が幻のコマンドとして誤読された。書き直し——引数を除き、提示を純 ASCII にし、40 秒遅延でブラウザを開く——ののち検証を通過した。ユーザーへのすべての納品物は、ユーザーが使うその方法で検証されねばならない——ダブルクリックこそユーザーの方法であり、試験中のバックグラウンド起動は、それではない。