Spark-TTS：零樣本語音克隆與細粒度控制的先進文本轉語音系統

日前，一款名為Spark-TTS 的先進文本轉語音系統引發了AI 社區的廣泛討論。根據最新的X 帖子和相關研究，這款系統以其零樣本語音克隆和細粒度語音控制能力脫穎而出，展現了語音合成領域的重大突破。

這款系統充分利用了大型語言模型（LLM）的強大能力，致力於實現高度準確且自然的語音合成，適用於研究和商業領域。 Spark-TTS 的設計理念強調簡潔與高效。該系統完全基於Qwen2.5構建，摒棄了以往需要額外生成模型的複雜流程。與其他模型不同，Spark-TTS 直接從LLM 預測的代碼中重建音頻，這種方法極大地簡化了音頻生成的步驟，提高了效率，降低了技術複雜度。

除了高效的音頻生成能力，Spark-TTS 還具備出色的語音克隆功能。該系統支持零鏡頭語音克隆，這意味著即使沒有針對特定說者的訓練數據，Spark-TTS 也能成功複製說話者的聲音。

Spark-TTS 的核心功能包括:

零樣本語音克隆:無需特定說話者的訓練數據即可生成其聲音風格，適合快速個性化應用。

細粒度語音控制:用戶可以精確調整語速和音高，例如加快或放慢語速，改變聲音高低。

跨語言生成:支持多種語言，包括英語和中文，擴展了其在全球範圍內的適用性。

其語音質量被認為非常自然，特別適合用於有聲讀物製作，這一點在用戶反饋中得到了證實。

技術架構

Spark-TTS 的技術基礎是BiCodec 單流語音編解碼器。這種編解碼器將語音分解為兩種標記:

低比特率的語義標記，負責語言內容。

固定長度的全局標記，負責說話人屬性。

這種分離方法允許靈活調整語音特性，同時結合Qwen-2.5的思維鏈（Chain-of-Thought）技術，進一步提升了語音生成的質量和可控性。 Qwen-2.5是一種大型語言模型(LLM)，為其提供了強大的語義理解能力。

在語言支持方面，Spark-TTS 同樣表現出色。它能夠同時處理中文和英文，並在跨語言合成時保持高自然度和準確性。此外，用戶還可以通過調整語音的性別、音調和語速等參數，創建出符合自己需求的虛擬說話人。

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