概述
Spark-TTS是一种先进的文本对语音系统，它使用大语言模型（LLM）的力量来高度准确且自然的语音综合。它旨在为研究和生产使用而有效，灵活和强大。
关键功能
Spark-TTS完全基于QWEN2.5，完全基于QWEN2.5，消除了对流程匹配等其他生成模型的需求。它没有依靠单独的模型来生成声学特征，而是直接从LLM预测的代码中重建音频。这种方法简化了该过程，提高了效率并降低了复杂性。
高质量的语音克隆：支持零拍的语音克隆，这意味着即使没有该声音的特定训练数据，也可以复制扬声器的声音。这是跨语言和代码转换场景的理想选择，可以在不需要每个语言的语言之间进行无缝过渡，而无需为每个语言进行单独的培训。
双语支持：支持汉语和英语，并且能够以零拍的语音克隆来克隆跨语义和代码转换场景，从而使模型能够以高自然性和准确性的多种语言合成多种语言。
可控的语音生成：通过调整诸如性别，音调和口语率之类的参数来支持创建虚拟扬声器。
克隆并安装
- 克隆仓库
git clone https://github.com/SparkAudio/Spark-TTS.gitcd Spark-TTS
- 创建conda env：
conda create -n sparktts -y python=3.12 conda activate sparktts pip install -r requirements.txt#If you are in mainland China, you can set the mirror as follows:pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
模型下载
通过Python下载：
from huggingface_hub import snapshot_downloadsnapshot_download("SparkAudio/Spark-TTS-0.5B", local_dir="pretrained_models/Spark-TTS-0.5B")通过git克隆下载：
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
Web UI用法
欢迎大家关注公众号、进群交流技术，一件包私信回复【sptts】
想进群交流的公众号私信回复【进群】不是留言，不是留言，不是留言
历史回顾：
技术前沿 | 智谱开源年首发力作：CogView4开启汉字生成新纪元
开源文生视频第一梯队，阿里深夜开源万相2.1，文生视频领域的deepseek
基于deepseek的视频生成，本地ollama部署，视频制作更加轻松：文末提供一键包
保姆教程：deepseek辅助小白开发微信小程序，有了deepseek你也可以是全栈工程师
别只关注deepseek了，阿里发布qwen2.5-max，比deepseek更好更稳定，排名超越deepseek
多模态AI【奥特曼】开源，可以定制你的贾维斯，联网控制你的电脑和家电
用不了cursor，qwen2.5-coder完全可以平替了，写代码刚刚滴
端到端语音大模型，大模型、语音转文本、tts三合一
2s样本、4s生成，仅需5G显存，克隆你想要的声音，本地-在线同步支持
AI搜索，一个开源可本地部署的Ai搜索引擎，不需要gpu，免费用qwen2.5接口，也可以基于ollama
大模型微调经验和认知
Multi Agent 多agent协同，不仅好玩还很实用，给你一个完整的demo
只需一句代码将chatgpt、rag知识库嵌入你的网站，拥有一个网站智能助手
大模型微调的一些技术理解（一）
AI搜索，一个开源可本地部署的Ai搜索引擎，不需要gpu，免费用qwen2.5接口，也可以基于ollama
llama3.1结合agent，实现大模型对工具的调用，【奥特曼】智能助手的核心调用组件就是他
GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑
