提交您的產(chǎn)品 
Ai應(yīng)用
Ai資訊
AI生圖
AI生視頻
FastbuildAI
Spark-TTS
Spark-TTS簡(jiǎn)介
Spark-TTS是什么？
Spark-TTS是SparkAudio團(tuán)隊(duì)開(kāi)發(fā)的文本轉(zhuǎn)語(yǔ)音（TTS）系統(tǒng)，基于 Qwen2.5 構(gòu)建， 直接從文本控制音調(diào)、速度和說(shuō)話者風(fēng)格，支持零樣本語(yǔ)音克隆、多語(yǔ)言合成、細(xì)粒度語(yǔ)音控制以及通過(guò) Web UI 進(jìn)行語(yǔ)音生成，能夠快速將文本轉(zhuǎn)換為自然、高質(zhì)量的語(yǔ)音內(nèi)容。和傳統(tǒng)TTS系統(tǒng)不同，它直接從LLM預(yù)測(cè)的編碼中重建音頻，簡(jiǎn)化了語(yǔ)音生成流程，提高了效率。
Spark-TTS核心功能
零樣本語(yǔ)音克隆：Spark-TTS支持零樣本語(yǔ)音克隆，即便沒(méi)有特定說(shuō)話者的訓(xùn)練數(shù)據(jù)，也能復(fù)制說(shuō)話者的聲音。在跨語(yǔ)言和代碼轉(zhuǎn)換場(chǎng)景中，它能出色地在不同語(yǔ)言和說(shuō)話者之間無(wú)縫切換。
多語(yǔ)言支持：該系統(tǒng)支持中文和英文，在跨語(yǔ)言合成時(shí)能保持高度的自然度和準(zhǔn)確性。用戶用一種語(yǔ)言輸入文本，就能得到另一種語(yǔ)言的語(yǔ)音輸出。
細(xì)粒度語(yǔ)音控制：用戶能通過(guò)調(diào)整性別、音高、語(yǔ)速等參數(shù)，定制虛擬說(shuō)話者的聲音，滿足虛擬主播、有聲讀物等場(chǎng)景對(duì)多樣化語(yǔ)音內(nèi)容的需求。
高效語(yǔ)音合成：Spark-TTS完全基于Qwen2.5架構(gòu)，無(wú)需額外的生成模型，直接從LLM預(yù)測(cè)的編碼中重建音頻，簡(jiǎn)化了流程，降低了復(fù)雜性。
虛擬說(shuō)話者創(chuàng)建：用戶可以創(chuàng)建屬于自己的虛擬說(shuō)話者，通過(guò)調(diào)整參數(shù)賦予其獨(dú)特的語(yǔ)音風(fēng)格。
Spark-TTS技術(shù)架構(gòu)
Spark-TTS的技術(shù)基礎(chǔ)是BiCodec單流語(yǔ)音編解碼器，它把語(yǔ)音分解成低比特率語(yǔ)義標(biāo)記（負(fù)責(zé)語(yǔ)言內(nèi)容）和固定長(zhǎng)度全局標(biāo)記（負(fù)責(zé)說(shuō)話者屬性）。這種分離方式便于靈活調(diào)整語(yǔ)音特性，再結(jié)合Qwen2.5的思維鏈（Chain-of-Thought）技術(shù)，進(jìn)一步提升了語(yǔ)音生成的質(zhì)量和可控性。
Spark-TTS應(yīng)用場(chǎng)景
有聲讀物制作：其自然的語(yǔ)音質(zhì)量特別適合用于有聲讀物。
虛擬主播：通過(guò)調(diào)整語(yǔ)音參數(shù)，生成符合特定需求的虛擬說(shuō)話者。
跨語(yǔ)言語(yǔ)音合成：支持多種語(yǔ)言，擴(kuò)展了其在全球范圍內(nèi)的適用性。
Spark-TTS安裝與使用
1. 環(huán)境準(zhǔn)備
安裝 Python：確保已安裝 Python 3.12。
安裝 Conda：用于管理虛擬環(huán)境，可通過(guò) Miniconda 官網(wǎng) 下載安裝。
2. 克隆倉(cāng)庫(kù)
git clone https://github.com/SparkAudio/Spark-TTS.git cd Spark-TTS
3. 安裝依賴
conda create -n sparktts -y python=3.12 conda activate sparktts pip install -r requirements.txt
如果在中國(guó)大陸，可以使用阿里云鏡像：
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
4. 下載預(yù)訓(xùn)練模型
通過(guò)以下命令下載預(yù)訓(xùn)練模型：
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
運(yùn)行以下命令進(jìn)行語(yǔ)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倉(cāng)庫(kù)：https://github.com/SparkAudio/Spark-TTS
HuggingFace模型庫(kù)：https://huggingface.co/spaces/Mobvoi/Offical-Spark-TTS
論文：https://arxiv.org/pdf/2503.01710
演示：https://sparkaudio.github.io/spark-tts/
相關(guān)資訊：
Llasa:一款基于Llama的文本轉(zhuǎn)語(yǔ)音（TTS）,生成效果自然流暢富有感情
Octave：Hume AI發(fā)布的一款TTS模型，可上下文感知與情感適應(yīng)
