Spark-TTS

Spark-TTS简介

Spark-TTS是什么？

Spark-TTS是SparkAudio团队开发的文本转语音（TTS）系统，基于 Qwen2.5 构建， 直接从文本控制音调、速度和说话者风格，支持零样本语音克隆、多语言合成、细粒度语音控制以及通过 Web UI 进行语音生成，能够快速将文本转换为自然、高质量的语音内容。和传统TTS系统不同，它直接从LLM预测的编码中重建音频，简化了语音生成流程，提高了效率。

Spark-TTS核心功能

• 零样本语音克隆：Spark-TTS支持零样本语音克隆，即便没有特定说话者的训练数据，也能复制说话者的声音。在跨语言和代码转换场景中，它能出色地在不同语言和说话者之间无缝切换。

• 多语言支持：该系统支持中文和英文，在跨语言合成时能保持高度的自然度和准确性。用户用一种语言输入文本，就能得到另一种语言的语音输出。

• 细粒度语音控制：用户能通过调整性别、音高、语速等参数，定制虚拟说话者的声音，满足虚拟主播、有声读物等场景对多样化语音内容的需求。

• 高效语音合成：Spark-TTS完全基于Qwen2.5架构，无需额外的生成模型，直接从LLM预测的编码中重建音频，简化了流程，降低了复杂性。

• 虚拟说话者创建：用户可以创建属于自己的虚拟说话者，通过调整参数赋予其独特的语音风格。

Spark-TTS技术架构

Spark-TTS的技术基础是BiCodec单流语音编解码器，它把语音分解成低比特率语义标记（负责语言内容）和固定长度全局标记（负责说话者属性）。这种分离方式便于灵活调整语音特性，再结合Qwen2.5的思维链（Chain-of-Thought）技术，进一步提升了语音生成的质量和可控性。

Spark-TTS应用场景

• 有声读物制作：其自然的语音质量特别适合用于有声读物。

• 虚拟主播：通过调整语音参数，生成符合特定需求的虚拟说话者。

• 跨语言语音合成：支持多种语言，扩展了其在全球范围内的适用性。

Spark-TTS安装与使用

1. 环境准备

• 安装 Python：确保已安装 Python 3.12。

• 安装 Conda：用于管理虚拟环境，可通过 Miniconda 官网 下载安装。

2. 克隆仓库

git clone https://github.com/SparkAudio/Spark-TTS.git
cd Spark-TTS

3. 安装依赖

conda create -n sparktts -y python=3.12
conda activate sparktts
pip install -r requirements.txt

如果在中国大陆，可以使用阿里云镜像：

pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ –trusted-host=mirrors.aliyun.com

4. 下载预训练模型

通过以下命令下载预训练模型：

from huggingface_hub import snapshot_download
snapshot_download("SparkAudio/Spark-TTS-0.5B", local_dir="pretrained_models/Spark-TTS-0.5B")

5.基本使用

运行以下命令进行语音合成：

python -m cli.inference \
    –text "text to synthesis." \
    –device 0 \
    –save_dir "path/to/save/audio" \
    –model_dir pretrained_models/Spark-TTS-0.5B \
    –prompt_text "transcript of the prompt audio" \
    –prompt_speech_path "path/to/prompt_audio"

6. Web UI 使用

python webui.py –device 0

GitHub仓库：https://github.com/SparkAudio/Spark-TTS

HuggingFace模型库：https://huggingface.co/spaces/Mobvoi/Offical-Spark-TTS

论文：https://arxiv.org/pdf/2503.01710

演示：https://sparkaudio.github.io/spark-tts/