许可协议：知识共享-署名-非商业性使用-相同方式共享 4.0
语言支持：

• 英语
• 中文
  技术标签：
• 文本转语音
  库标签：spark-tts

Spark-TTS

üëâüèª Spark-TTS演示 üëàüèª

üëâüèª Github仓库 üëàüèª

üëâüèª 论文 üëàüèª

概述

Spark-TTS是基于大语言模型（LLM）的先进文本转语音系统，能够实现高精度、自然流畅的语音合成。该系统专为高效性、灵活性和强大性能而设计，适用于研究和生产场景。

核心特性

• 简洁高效：完全基于Qwen2.5架构，无需依赖流匹配等额外生成模型。通过大语言模型直接预测音频编码重构语音，简化流程并提升效率。
• 高质量音色克隆：支持零样本音色克隆，即使没有目标音色的训练数据也能复现说话人特征，特别适合跨语言和语码转换场景。
• 双语支持：支持中英文混合合成，在跨语言场景下保持高自然度和准确性。
• 可控语音生成：可通过调节性别、音高、语速等参数创建虚拟说话人。

音色克隆推理流程

可控生成推理流程

安装指南

克隆与安装

• 克隆仓库：

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

• 安装Conda：参考https://docs.conda.io/en/latest/miniconda.html
• 创建虚拟环境：

conda create -n sparktts -y python=3.12  
conda activate sparktts  
pip install -r requirements.txt  
# 中国大陆用户可使用阿里云镜像加速：  
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com  

模型下载
Python下载方式：

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

Git下载方式：

mkdir -p pretrained_models  
git lfs install  
git clone https://huggingface.co/SparkAudio/Spark-TTS-0.5B pretrained_models/Spark-TTS-0.5B  

基础使用
运行演示脚本：

cd example  
bash infer.sh  

或直接执行推理命令：

python -m cli.inference \  
    --text "待合成文本" \  
    --device 0 \  
    --save_dir "音频保存路径" \  
    --model_dir pretrained_models/Spark-TTS-0.5B \  
    --prompt_text "提示音频文本" \  
    --prompt_speech_path "提示音频路径"  

图形界面
运行python webui.py启动交互界面，支持：

• 音色克隆（可上传参考音频或实时录制）
• 语音定制生成

音色克隆界面	语音定制界面

开发计划

• [x] 发布Spark-TTS论文
• [ ] 开源训练代码
• [ ] 发布训练数据集VoxBox

引用格式

@misc{wang2025sparktts,  
      title={Spark-TTS: An Efficient LLM-Based Text-to-Speech Model with Single-Stream Decoupled Speech Tokens},   
      author={王鑫盛等},  
      year={2025},  
      eprint={2503.01710},  
      archivePrefix={arXiv},  
      primaryClass={cs.SD},  
      url={https://arxiv.org/abs/2503.01710},   
}  

许可更新

因部分训练数据许可条款变更，模型许可证已从Apache 2.0变更为CC BY-NC-SA：

• 仅限非商业用途
• 衍生作品需保持相同许可
• 使用时需标明出处

使用声明

本零样本音色克隆模型仅限用于：
✓ 学术研究
✓ 教育用途
✓ 合法应用（如辅助技术、语言研究）

严禁用于：
✗ 未经授权的音色克隆
✗ 身份冒充/欺诈
✗ 违法深度伪造

开发者对模型滥用不承担法律责任，请遵守当地法规并恪守伦理准则。如有伦理疑虑请联系我们。