
Spark-TTS是什么?
Spark-TTS是一个由大型语言模型(LLM)驱动的先进文本转语音(TTS)系统,具备零样本语音克隆、中英文双语合成和可控语音生成等功能。直接从 Qwen2.5 语言模型代码输出重建音频,并不需要额外的声学模型。支持上传一段音频/录音作为语音模板进行克隆,同时可以控制性别、音高、语速参数来生成对应的发音,声音流畅自然且充满变化,具有多种不同用途场景。其提供了命令行及 webUI 操作入口两个界面对外交互。适配研究、内容创作、语音助手、教育等多种应用场景。
主要功能特点
- 零样本语音克隆:无需训练数据,几秒钟的参考音频就能“复刻”说话者的声音,用于个性化语音合成与虚拟角色塑造。
- 中英文双语支持:可以合成中文或英文语音,也可以一句话中混用中英两种语言。
- 可控语音生成:支持改变性别、音调、语速等参数,创造出不同风格的虚拟说话人,适配不同内容场景。
- 简化架构,高效推理:基于 Qwen2.5 构建而来,可以直接在 LLM 预测出的代码上重建出音频,不需要声学模型的参与。
- Web UI 与命令行双支持:提供图形界面及 CLI 命令行工具,支持上传或者录音,面向不同的用户群体。
- 跨平台部署能力:本地部署和云端推理皆可,支持集成到各种内容创作平台、语音助手以及教育软件应用等场景。
- 开源透明,研究友好:已在 GitHub 上开源发布,使用 Apache 2.0 许可证,适合学术研究、产品原型开发与商业集成。
应用场景
- AI 虚拟主播与配音
- 个性化语音助手与客服机器人
- 有声书、播客与短视频配音
- 教育内容语音生成与无障碍辅助
- 多语言语音研究与语音 UI 原型设计
Spark-TTS的使用方法
1. 环境准备
安装依赖:确保已安装 Python(建议版本 3.12 或更高)和 Conda 环境管理工具。
克隆代码仓库:运行以下命令将 Spark-TTS 仓库克隆到本地:
git clone https://github.com/SparkAudio/Spark-TTS.git
cd Spark-TTS
创建虚拟环境:使用 Conda 创建并激活虚拟环境:
conda create -n sparktts -y python=3.12
conda activate sparktts
安装依赖库:运行以下命令安装所需依赖:
pip install -r requirements.txt
2. 下载预训练模型
通过 Python 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
git lfs install
git clone https://huggingface.co/SparkAudio/Spark-TTS-0.5B pretrained_models/Spark-TTS-0.5B
3. 基本使用
运行示例脚本:
cd example
bash infer.sh
命令行生成语音:
python -m cli.inference
–text “需要合成的文本”
–device 0
–save_dir “保存音频的路径”
–model_dir pretrained_models/Spark-TTS-0.5B
–prompt_text “提示音频的文本内容”
–prompt_speech_path “提示音频的路径”
4. 使用 Web 界面
启动 Web UI:运行以下命令启动界面:
python webui.py –device 0
功能支持:Web 界面支持语音克隆和语音生成,可上传参考音频或直接录制音频。
5. 可选功能
- 语音克隆:上传参考音频,生成与参考音频相似的语音。
- 语音参数调整:通过调整性别、语速、音高等参数,生成个性化语音。
Spark-TTS的GitHub仓库:https://github.com/SparkAudio/Spark-TTS
数据统计
相关导航


新Listnr AI

新UPDF

新Snapfiddle AI

新TattoosAI

新beautyai Magic Brush

新无忧吾律
