在 TTS（文本转语音）技术的快速发展下，如何生成更加自然、可控、个性化的 AI 语音，成为了语音合成领域的核心挑战。

传统的 TTS 系统虽然能生成高质量语音，但往往存在 控制能力有限、跨语言表现较差、声音风格固定 等问题。

Spark-TTS 作为一款刚刚开源的高质量语音合成（TTS）系统。

不仅支持零样本语音克隆，还能进行细粒度语音控制，包括语速、音调、语气等多项参数调节，同时具备跨语言生成能力，让 AI 语音变得更加灵活、多样化。

核心能力

• • ​零样本语音克隆​：只需提供几秒钟的语音样本，便能克隆目标说话人的声音
• • ​细粒度语音控制​：粗粒度控制（性别、说话风格等）；细粒度调整（音高、语速等）
• • ​跨语言语音生成​：支持跨语言语音合成，支持中文和英文，并保持自然度和准确性
• • ​高质量自然语音​：结合 Qwen-2.5 思维链技术，增强语音表达逻辑，自动调整语气、停顿、强调等语音表达
• • ​音质 & 语音控制能力​：采用 BiCodec 单流语音编解码器，将语音分解为语义信息和说话人属性
• • ​Web界面支持​： 提供了使用 Web UI 进行语音克隆和语音创建的界面

Spark-TTS 兼具高音质、可控性、跨语言能力，并且 完全开源，是当前最灵活的开源 TTS 方案之一。

安装部署

克隆项目

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

创建Python虚拟环境，安装Python依赖

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

模型下载（两种方式）：

• • 通过Python代码下载

from huggingface_hub import snapshot_download

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

• • 通过 git 下载

mkdir -p pretrained_models

# Make sure you have git-lfs installed (https://git-lfs.com)
git lfs install

git clone https://huggingface.co/SparkAudio/Spark-TTS-0.5B pretrained_models/Spark-TTS-0.5B

运行演示：

cd example
bash infer.sh

或者直接在命令行中进行推理：

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"

如果使用Web界面，可以使用以下命令启用：

python webui.py --device 0

可以直接通过界面执行语音克隆和语音创建。支持上传参考音频或直接录制音频。

应用场景

由于其自然的声音效果和强大的控制能力，Spark-TTS 非常适合以下用途：

• • ​有声读物​：通过调整语速、音高和风格，生成富有表现力的朗读语音，提升听众体验。
• • ​多语言内容​：支持中英文跨语言生成，适用于国际化应用。
• • ​AI 角色配音​：利用零样本克隆技术，快速生成特定说话者的声音，用于虚拟角色或定制化服务。

写在最后

Spark-TTS 是一款创新的 TTS 模型，凭借 BiCodec 编解码器和 Qwen-2.5 思维链技术，实现了高质量、可控的语音生成。

它支持零样本语音克隆、细粒度语音调整和跨语言合成，效果自然且高效，非常适合有声读物、AI配音等应用场景。

GitHub 项目地址：https://github.com/SparkAudio/Spark-TTS