Spark-TTS
港科大与出门问问联合开发的轻量级零样本语音克隆模型，基于 Qwen2.5 架构，仅 0.5B 参数即可实现高质量语音合成。
Spark-TTS 是由香港科技大学（HKUST）与出门问问（Mobvoi）联合研发的高效文本转语音系统，合作机构还包括上海交通大学、南洋理工大学和西北工业大学。该项目由 SparkAudio 团队主导，论文发表于 arXiv（2503.01710）。Spark-TTS 完全基于 Qwen2.5 大语言模型构建，模型参数量仅为 0.5B，去除了传统 TTS 系统中常见的流匹配（flow matching）等额外生成模块，通过单流解耦语音令牌（Single-Stream Decoupled Speech Tokens）直接从 LLM 预测的编码重建音频，实现了极简高效的架构设计。
在功能方面，Spark-TTS 支持零样本语音克隆——仅需数秒参考音频即可精准复现目标说话人的音色，并能够处理跨语言和语码切换场景。模型同时支持中文和英语双语合成。此外，Spark-TTS 还提供了可控语音生成能力，用户可通过调节性别、音高和语速等参数创建虚拟说话人，无需任何参考音频。这种“语音创建”（Voice Creation）能力在内容创作和个性化语音助手等场景中具有独特的实用价值。
Spark-TTS 以 Apache 2.0 开源协议发布，在 GitHub 上已获得超过 11,000 颗星标。模型权重可在 Hugging Face（SparkAudio/Spark-TTS-0.5B）下载，项目同时提供了完整的推理代码、Gradio WebUI 以及 Nvidia Triton 推理服务部署方案。凭借轻量化设计、零样本克隆能力和宽松的开源许可，Spark-TTS 在学术研究、个性化语音合成、辅助技术和跨语言语音应用中展现出广阔的应用前景。