经过多次实际测试

每生成加入情感控制后的1秒音频，处理时长为60秒+

最后一段测试中，先使用ChatTTS生成了4秒的参考语音（文本为：“重生为细胞,携狱典之力,来到古老者已苏醒的平行世界.”）。

交给IndexTTS参考生成另一段语音（文本为：“命运之门已开启—十字军、图书馆、掌控、机械、神秘学将作为人类发展的全新成长体系。”）

耗时464秒生成7秒的语音，比值7:464≈1:66.2857，即生成1秒语音综合处理时长1分钟多点。

24G内存拉满，GPU拉满。

测试机的一些参数：

处理器：Intel(R) Core(TM) i5-10200H CPU @ 2.40GHz (2.40 GHz)

显卡：NVIDIA GeForce GTX 1650（专用GPU：4G，共享：12G）

如果配置再好一些的话，处理时长应该要短很多。