Spark-TTS：基于大模型的文本语音合成工具

GitHub：https://github.com/SparkAudio/Spark-TTS 
       Spark-TTS是一个先进的文本到语音系统，它利用大型语言模型（LLM）的强大功能进行高度准确和自然的语音合成；旨在高效、灵活、强大地用于研究和生产用途。
一、先容

       Spark TTS完全基于Qwen2.5构建，无需额外的生成模型，它不依赖于单独的模型来生成声学特性，而是直接从LLM预测的代码中重建音频。这种方法简化了流程，提高了效率并降低了复杂性；支持零样本语音克隆，它可以直接复制说话者的语音。这是跨语言和代码转换场景的抱负选择，允许语言和语音之间的无缝转换，而不必要对每种语言进行单独的培训；支持中文和英文两种语言，使模型可以或许以高自然度和准确性合成多种语言的语音；支持通过调解性别、音高和语速等参数来创建假造说话者。
二、安装

2.1 克隆项目

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

复制代码

2.2 构建情况依赖

1. conda create -n sparktts -y python=3.12
2. conda activate sparktts
3. pip install -r requirements.txt
4. # If you are in mainland China, you can set the mirror as follows:
5. # pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

复制代码

PS：官方推荐python3.12，但是我这边使用3.12情况不停安装失败，以是我选择3.11.11，和我一样问题的同学可以尝试一降落低python版本 ；
2.3 下载预练习模型

1. mkdir pretrained_models && cd pretrained_models
3. # 安装大文件拉取工具
4. git lfs install
6. # 从Modelscpoe上下载模型
7. git clone https://www.modelscope.cn/SparkAudio/Spark-TTS-0.5B.git

复制代码

三、运行

3.1 终端运行

1. python -m cli.inference \
2.     --text "text to synthesis." \
3.     --device 0 \
4.     --save_dir "path/to/save/audio" \
5.     --model_dir pretrained_models/Spark-TTS-0.5B \
6.     --prompt_text "transcript of the prompt audio" \
7.     --prompt_speech_path "path/to/prompt_audio"

复制代码

       上面是在终端的运行代码，项目中给出了一个运行事例，我们结合这个运行事例来详细看一下每个参数代表的含义，下面就是example/infer.sh的文件内容：

1. #!/bin/bash
3. # Copyright (c) 2025 SparkAudio
4. #               2025 Xinsheng Wang (w.xinshawn@gmail.com)
5. #
6. # Licensed under the Apache License, Version 2.0 (the "License");
7. # you may not use this file except in compliance with the License.
8. # You may obtain a copy of the License at
9. #
10. #   http://www.apache.org/licenses/LICENSE-2.0
11. #
12. # Unless required by applicable law or agreed to in writing, software
13. # distributed under the License is distributed on an "AS IS" BASIS,
14. # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
15. # See the License for the specific language governing permissions and
16. # limitations under the License.
19. # Get the absolute path of the script's directory
20. script_dir=$(dirname "$(realpath "$0")")
22. # Get the root directory
23. root_dir=$(dirname "$script_dir")
25. # Set default parameters
26. device=0
27. save_dir='example/results'
28. model_dir="pretrained_models/Spark-TTS-0.5B"
29. text="身临其境，换新体验。塑造开源语音合成新范式，让智能语音更自然。"
30. prompt_text="吃燕窝就选燕之屋，本节目由26年专注高品质燕窝的燕之屋冠名播出。豆奶牛奶换着喝，营养更均衡，本节目由豆本豆豆奶特约播出。"
31. prompt_speech_path="example/prompt_audio.wav"
33. # Change directory to the root directory
34. cd "$root_dir" || exit
36. source sparktts/utils/parse_options.sh
38. # Run inference
39. python -m cli.inference \
40.     --text "${text}" \
41.     --device "${device}" \
42.     --save_dir "${save_dir}" \
43.     --model_dir "${model_dir}" \
44.     --prompt_text "${prompt_text}" \
45.     --prompt_speech_path "${prompt_speech_path}"
46.    
47.    

复制代码

传参	含义
text	必要克隆语音所对应的文本
device	指定显卡编号
save_dir	克隆语音的保存路径
model_dir	大模型的保存路径
prompt_text	样本语音的文本信息
prompt_speech_path	样本语音的保存路径

3.2 WebUI

3.2.1 启动

       看到如下界面体现启动成功，在当地通过浏览器访问红框的网址； 

1. # 在终端运行：
2. python webui.py --device 0

复制代码

 3.2.2 克隆

       看到如下界面，黄框是语音克隆功能区：

序号一：上传当地待克隆的语音样本（似乎不支持m4a格式，最好上传wav格式）；
序号二：可以在线录制必要克隆的人的声音（1、2选择一个就可以）；
序号三：添加必要克隆语音的文本，即命令行运行中的‘text’参数；
序号四：上传或者录音的语音所对应的文本信息；
序号五：生成克隆语音的展示区；
序号六：上述1-4信息填写完成后点击开始克隆； 
3.2.3 语音创作

       看到如下界面，黄框是语音创作功能区：

序号一：可以选择生成语音的性别；
序号二：调解生成语音的音调；
序号三：调解生成语音的语速；
序号四：输入生成语音的文本信息；
序号五：点击开始创作，生成效果会展示在下方；
四、总结

       团体体验感觉推理速率还是比力快的，但是在功能性上还是在效果上都有所欠缺；语音处置处罚功能相较于之前测试的FunASR显得就比力单一；在克隆的效果上相较于之前测试的StepAudio也略有逊色；大家可以尝试一下，进行一下比力～

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。