Spark-TTS：极简版音频克隆

核心功能

如果你是播客主，或者经常在 B 站发布视频解说，可以使用这款工具：

• 音色克隆：录制一段你说话的录音，即可用你的音色生成任意文本的音频。
• 趣味应用：你可以让“猪八戒”给你讲故事，实现极具个性化的语音输出。

使用方法非常简单：

1. 上传一段参考音频或者录制你自己的声音。
2. 输入你想转换成音频的文本。
3. 点击开始克隆即可。

技术原理与优势

Spark-TTS 是一款先进的文本转语音（Text-to-Speech，TTS）系统，它利用大型语言模型（Large Language Model，LLM）的强大功能，实现了高度准确且自然流畅的语音合成。该系统旨在为研究和生产使用提供高效、灵活且强大的解决方案。

• 简洁与高效：完全基于 Qwen2.5 构建，无需额外的生成模型（如流匹配模型等）。通过直接从 LLM 预测的代码中重构音频，简化了流程，提高了效率并降低了复杂性。
• 零样本语音克隆 (Zero-Shot Voice Cloning)：支持在无需特定训练数据的情况下复制说话者的声音。这在跨语言和代码切换场景中尤为有用，允许在不同语言和声音之间无缝切换。
• 多语言与个性化：支持中文和英文。通过调整性别、音调和语速等参数，可以创建虚拟说话者，提供个性化的语音合成体验。

注意：Spark-TTS 主要用于学术研究、教育目的及合法应用（如辅助技术、语言学研究等）。用户应遵守法律法规，不得用于未经授权的冒充、欺诈、深度伪造或任何非法活动。

版本优化说明

下载地址： jian27打包

我在 jian27 打包的基础上进行了“二次负优化”：

• 瘦身减重：删减了不需要的 Web 界面及冗余文件（原包 5.99GB $\rightarrow$ 本站优化后 4.11GB）。
• Bug 修复：修复了原版文本输入框中含有“回车换行”时，仅能生成第一句的问题。本版本已支持回车不影响音频生成。
• 性能优化：增加了显存回收功能。

效果预期：

• 音质大概能达到原音参考音频的 7 成左右。
• 某些情况下转换出的音频语速会较快。

硬件要求

• 显卡：需要 NVIDIA 显卡（黄皮显卡）。
• 显存：4GB 以上即可，推荐 6GB 以上。

提示： 回复后刷新可以看见下载链接。