Spark-TTS-0.5B

Spark-TTS-0.5B

用基于 Qwen2.5 的模型把文字念成中文和英文语音，支持零样本声音克隆，也能按性别、音高和语速创建虚拟声音。适合做语音的开发者和研究人员。

由 SparkAudio 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Spark-TTS-0.5B 是一个基于 Qwen2.5 的文字转语音模型。它不需要单独的生成模型，比如 flow matching，因为它直接用语言模型预测出的编码重建音频。它支持中文和英文，不用专门训练就能克隆一个声音，还能通过调整性别、音高和语速来创建虚拟说话人。

适合谁：它适合想要在自己机器上运行中英文语音模型的开发者和研究人员。

行业 | 谁在用 | 怎么用 | 例子
软件 | 语音应用开发者 | 给应用加上中文和英文语音 | 根据脚本朗读应用里的文字
媒体 | 旁白制作者 | 通过设置性别、音高和语速创建虚拟说话人 | 为个人的非商业视频配音
本地化 | 双语团队 | 在克隆的语音里切换中文和英文 | 说出一句中英文混合的话
研究 | 语音研究人员 | 研究由语言模型驱动的语音生成 | 运行演示脚本并听输出的结果

如果你需要商业使用，或者想克隆你无权使用的声音，可以跳过它。请只使用你获得许可的声音。

用在哪里：

• Python 3.12 的 Conda 环境里的终端
• 由 webui.py 启动的网页界面，有声音克隆和声音创建两个功能
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用例 | 谁用 | 得到什么
声音克隆 | 研究人员 | 用一小段参考录音的声音说出的语音
声音创建 | 内容创作者 | 按你设置的性别、音高和语速由虚拟说话人说出的语音
运行演示 | 新手 | 示例脚本生成的音频文件

如何设置：

• Git 和 Conda
• Conda 环境里的 Python 3.12
• 来自 GitHub 页面的 Spark-TTS 代码
• 用 Python 或 Git LFS 下载的模型文件

1. 从 GitHub 克隆 Spark-TTS 仓库并进入它。模型卡给出了克隆命令，其中带有网址，所以请从那里复制。
2. 创建并激活 Conda 环境。
3. 安装依赖。模型卡还给出了面向中国大陆用户的镜像选项。
4. 把模型下载到 pretrained_models 文件夹。

conda create -n sparktts -y python=3.12
conda activate sparktts
pip install -r requirements.txt

from huggingface_hub import snapshot_download

snapshot_download("SparkAudio/Spark-TTS-0.5B", local_dir="pretrained_models/Spark-TTS-0.5B")

如何使用：从 example 文件夹运行演示，或者自己调用命令行接口。你也可以启动网页界面，用上传或录制的音频克隆声音，或者创建一个声音。

cd example
bash infer.sh

python -m cli.inference \
    --text "text to synthesis." \
    --device 0 \
    --save_dir "path/to/save/audio" \
    --model_dir pretrained_models/Spark-TTS-0.5B \
    --prompt_text "transcript of the prompt audio" \
    --prompt_speech_path "path/to/prompt_audio"

python webui.py

工具 | 作用
infer.sh | 从 example 文件夹运行演示
cli.inference | 根据文字合成语音，可附带提示录音及其文字稿
webui.py | 启动声音克隆和声音创建的网页界面
--save_dir | 设置保存音频的文件夹

示例：你运行命令行工具，给出要朗读的文字、一小段提示录音和这段录音的文字稿。模型会把用提示录音的声音说出的语音保存到你指定的文件夹里。只克隆你有权使用的声音。

新手与专家：语言模型通常预测的是词。这里它预测的是代表声音的编码，再由解码器把这些编码变成音频。第一次可以先运行 example 文件夹里的演示脚本。

从底层看，模型卡里的论文标题描述的是单流解耦语音词元。语言模型预测这些词元，音频直接由它们重建。Qwen2.5 的基础让整个系统保持简单。平台上显示其他人做的版本有 6 个量化版和 25 个微调版。

文字，以及可选的提示音频
语言模型预测语音编码
编码被直接重建成音频
保存音频文件

注意事项：

• 根据模型卡的待办列表，训练代码和 VoxBox 训练数据集还没有发布。
• License: CC BY-NC-SA 4.0，不允许商业使用
• Cost to run: 未提到
• Data it reaches: 你给它的文字和提示音频，以及从 Hugging Face 平台下载的模型文件
• Not for: 商业使用，以及克隆你无权使用的声音

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• Formats: Safetensors
• 最近 30 天下载：2,124
• 点赞：750
• 许可证：cc-by-nc-sa-4.0
• 语言：en, zh
• Quantized versions: 6
• Fine-tunes: 25
• 标签：safetensors, text-to-speech

链接

• 模型：https://huggingface.co/SparkAudio/Spark-TTS-0.5B
• 文件：https://huggingface.co/SparkAudio/Spark-TTS-0.5B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download SparkAudio/Spark-TTS-0.5B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。