Spark-TTS 是 SparkAudio 团队（香港科技大学等联合）开源的基于大语言模型（LLM）的高效文本转语音（TTS）工具，无需额外的生成模型，直接从 LLM 预测的编码中重建音频，实现零样本文本到语音的转换。

核心特性

• 简洁高效：完全基于 Qwen2.5 构建，无需流匹配（Flow Matching）等额外声学生成模型，推理流程简洁、效率高
• 零样本语音克隆：参考音频即可高质量复刻说话人音色，适用于跨语言与语码混合（Code-Switching）场景
• 中英双语：支持中文与英文合成，跨语言与混合语言自然流畅
• 虚拟说话人生成：可通过调整性别、音调、语速等参数直接"创造"虚拟音色，无需参考音频
• 轻量部署：0.5B 参数，配合 TensorRT-LLM 等可进一步加速，GPU 门槛低

适用场景

个性化语音合成、虚拟角色配音、多语言内容创作、语音助手与有声读物等。

更多信息可参考：https://github.com/SparkAudio/Spark-TTS