Spark-TTS：基于 Qwen2.5 的高效 LLM 文本转语音｜部署与使用全指南
项目仓库： https://github.com/SparkAudio/Spark-TTS
论文：arXiv:2503.01710 · 许可证：Apache 2.0 · Python 3.12+ · PyTorch 2.5+ · 模型：Spark-TTS-0.5B · 机构：HKUST/魔趣/上交/NTU/NPU/SparkAudio
1 项目简介
Spark-TTS 是基于 Qwen2.5 的 LLM 文本转语音模型：不再需要 flow matching 等额外生成模型，直接从 LLM 预测的语音 token 重建音频。支持零样本声音克隆、中英双语、跨语言/代码切换、性别/音高/语速可控生成。
1.1 核心信息一览
| 项目项 | 内容 |
|---|---|
| 项目名称 | Spark-TTS |
| 仓库地址 | github.com/SparkAudio/Spark-TTS |
| 论文 | arXiv:2503.01710 |
| 模型 | Spark-TTS-0.5B |
| 许可证 | Apache 2.0 |
| 底座 | Qwen2.5 |
| Python | 3.12+ · PyTorch 2.5+ |
| 演示 | sparkaudio.github.io/spark-tts |
1.2 适用场景
- 中英双语 TTS。
- 零样本声音克隆。
- 可控语音生成（性别/音高/语速）。
2 功能特性
- 简洁高效：基于 Qwen2.5，无需 flow matching。
- 高质量零样本克隆：跨语言/代码切换。
- 中英双语。
- 可控生成：性别、音高、语速。
- NVIDIA Triton 服务。
3 官方界面预览
推理流程见官方 README（声音克隆 / 可控生成两张图）。
4 官方跳转链接汇总
| 类别 | 链接 | 说明 |
|---|---|---|
| 仓库 | github.com/SparkAudio/Spark-TTS | 源码 |
| 模型权重 | huggingface.co/SparkAudio/Spark-TTS-0.5B | 0.5B |
| 演示 | sparkaudio.github.io/spark-tts | 在线 Demo |
| Windows 安装 | issue #5 | Windows 指南 |
5 前置要求
- Python 3.12+。
- PyTorch 2.5+。
- Conda。
6 方式一：克隆与安装
git clone https://github.com/SparkAudio/Spark-TTS.git
cd Spark-TTS
# 按 README 创建 Conda 环境并安装依赖7 方式二：NVIDIA Triton 服务
2025-03-12 起支持 Triton Inference Serving。
8 常见故障排查
- Windows 安装：参考 issue #5。
- 模型下载：从 Hugging Face 拉取 Spark-TTS-0.5B。
9 风险与合规说明
- Apache 2.0 可商用。
- 声音克隆需获本人授权。
本文基于官方 README 整理，仅供学习与部署参考；以仓库最新说明为准。