文章详情

日前，一款名为 Spark-TTS 的先进文本转语音系统引发了 AI 社区的广泛讨论。根据最新的 X 帖子和相关研究，这款系统以其零样本语音克隆和细粒度语音控制能力脱颖而出，展现了语音合成领域的重大突破。

这款系统充分利用了大型语言模型（LLM）的强大能力，致力于实现高度准确且自然的语音合成，适用于研究和商业领域。Spark-TTS 的设计理念强调简洁与高效。该系统完全基于 Qwen2.5构建，摒弃了以往需要额外生成模型的复杂流程。与其他模型不同，Spark-TTS 直接从 LLM 预测的代码中重建音频，这种方法极大地简化了音频生成的步骤，提高了效率，降低了技术复杂度。

除了高效的音频生成能力，Spark-TTS 还具备出色的语音克隆功能。该系统支持零镜头语音克隆，这意味着即使没有针对特定说者的训练数据，Spark-TTS 也能成功复制说话者的声音。

Spark-TTS 的核心功能包括:

零样本语音克隆:无需特定说话者的训练数据即可生成其声音风格，适合快速个性化应用。

细粒度语音控制:用户可以精确调整语速和音高，例如加快或放慢语速，改变声音高低。

跨语言生成:支持多种语言，包括英语和中文，扩展了其在全球范围内的适用性。

其语音质量被认为非常自然，特别适合用于有声读物制作，这一点在用户反馈中得到了证实。

技术架构

Spark-TTS 的技术基础是 BiCodec 单流语音编解码器。这种编解码器将语音分解为两种标记:

低比特率的语义标记，负责语言内容。

固定长度的全局标记，负责说话人属性。

这种分离方法允许灵活调整语音特性，同时结合 Qwen-2.5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。Qwen-2.5是一种大型语言模型(LLM)，为其提供了强大的语义理解能力。

在语言支持方面，Spark-TTS 同样表现出色。它能够同时处理中文和英文，并在跨语言合成时保持高自然度和准确性。此外，用户还可以通过调整语音的性别、音调和语速等参数，创建出符合自己需求的虚拟说话人。

项目:https://github.com/SparkAudio/Spark-TTS