Spark-TTS

## 项目介绍

Spark-TTS 是官方的 PyTorch 代码实现，用于实现 “Spark-TTS: An Efficient LLM-Based Text-to-Speech Model with Single-Stream Decoupled Speech Tokens” 这一模型的推理功能。该项目由多个知名机构共同参与，支持语音克隆和语音创建两种主要功能。用户既可以通过命令行界面（CLI）进行语音合成，也可以使用 Web UI 界面进行操作。在语音克隆方面，用户可以上传参考音频或直接录制音频；在语音创建方面，用户可以调整语音的性别、音高、速度等参数。此外，项目还支持离线和流式两种模式，方便不同场景的使用。

主要功能

语音克隆：支持上传参考音频或直接录制音频，根据参考音频的语音特征将输入文本转换为语音。 语音创建：用户可以调整语音的性别（男性或女性）、音高（极低、低、中等、高、极高）和速度（极低、低、中等、高、极高）等参数，生成符合需求的语音。 多模式支持：支持离线和流式两种模式，可根据不同场景选择合适的模式进行语音合成。

应用场景

有声读物制作：将文字内容转换为语音，制作成有声读物，提高用户的阅读体验。 智能语音助手：为智能语音助手提供语音合成功能，使助手能够以自然的语音与用户进行交互。 语音导航：在导航系统中，将路线信息转换为语音提示，方便用户在行驶过程中获取信息。 教育培训：将教学内容转换为语音，帮助学生更好地理解和学习。 娱乐互动：在游戏、影视等娱乐场景中，为角色添加语音，增强互动性和沉浸感。

常见问题

问题 1：如何安装 Spark-TTS？ 回答：文档中未详细提及安装步骤，但可以按照一般的 Python 项目安装流程，确保安装了合适版本的 PyTorch（2.5+），并根据项目依赖安装相应的库。

问题 2：是否可以在 Web UI 上进行语音克隆？ 回答：可以。你可以通过运行python webui.py --device 0启动 Web UI 界面，在该界面上支持进行语音克隆，并且支持上传参考音频或直接录制音频。

问题 3：语音创建时可以调整哪些参数？ 回答：在语音创建时，你可以调整语音的性别（男性或女性）、音高（极低、低、中等、高、极高）和速度（极低、低、中等、高、极高）等参数。

问题 4：项目支持哪些运行模式？ 回答：项目支持离线（offline）和流式（streaming）两种运行模式，你可以根据不同的场景选择合适的模式。

问题 5：生成的语音文件保存到哪里？ 回答：如果你使用命令行界面（CLI）进行语音合成，可以通过--save_dir参数指定保存生成音频文件的目录；如果你使用 Web UI 界面，具体保存位置可能需要参考 Web UI 的设置。