安装部署spark-tts:小白适用零基础版

Spark-TTS 是最近备受瞩目的一个语音克隆开源项目，由香港科技大学、西北工业大学、上海交通大学等多所高校联合研发。经过本地测试，其效果与 F5-TTS 不相上下。

Spark-TTS 支持中英文语音克隆，安装部署过程并不复杂。本文将详细介绍如何安装部署，并进行修改，使其兼容 F5-TTS 的 API 接口，从而可以直接在 pyVideoTrans 软件的 F5-TTS 配音渠道中使用。

前提条件： 确保已安装 Python 3.10、3.11 或 3.12 版本。

如果尚未安装，请点击参考之前的文章进行安装，此处不再赘述

1. 下载Spark-TTS源码

首先，在非系统盘创建一个由英文或数字组成的文件夹，例如 D:/spark。之所以要求使用英文、数字且非系统盘，是为了尽量避免可能出现的中文、权限等方面的错误。

然后，访问 Spark-TTS 官方代码仓库：https://github.com/SparkAudio/Spark-TTS

如下图所示，点击下载源码的 ZIP 包：

下载完成后解压，将所有文件和文件夹复制到 D:/spark 文件夹中。复制后的目录结构应如下图所示：

2. 创建虚拟环境并安装依赖

• 创建虚拟环境

在该文件夹地址栏输入 cmd 并回车，在弹出的黑色终端窗口中执行以下命令：

python -m venv venv

如图：

执行后，D:/spark 目录下会多出一个 venv 文件夹：

注意： 如果在执行时提示 python 不是内部或外部命令，说明没有安装 Python 或没有将其添加到系统环境变量中，请参考相关文章安装 Python。

接下来，执行 venv\scripts\activate 激活虚拟环境。激活后，终端行首会出现 (venv) 字样，表示激活成功。后续所有命令都需要在此环境下执行，每次执行前请检查是否已激活。

• 安装依赖

在已激活的虚拟环境中，继续在终端中执行以下命令，安装所有依赖：

pip install -r requirements.txt

安装过程可能需要较长时间，请耐心等待。

3. 下载模型

开源 AI 项目所需的模型通常托管在 Hugging Face (huggingface.co) 上。由于该网站在国内已被屏蔽，因此需要科学上网才能下载模型。请确保已配置好科学上网环境，并设置了系统代理。

在当前目录 D:/spark 下创建一个名为 down.txt 的文本文件，将以下代码复制粘贴到文件中并保存：

from huggingface_hub import snapshot_download
snapshot_download("SparkAudio/Spark-TTS-0.5B", local_dir="pretrained_models/Spark-TTS-0.5B")
print('下载完成')

然后，在已激活虚拟环境的终端窗口中执行以下命令：

python down.txt

注意检查命令行前是否存在 (venv)：

等待终端提示下载完成。

如果输出类似以下信息，说明网络连接错误，可能是科学上网环境配置不正确：

Returning existing local_dir `pretrained_models\Spark-TTS-0.5B` as remote repo cannot be accessed in `snapshot_download` ((MaxRetryError("HTTPSConnectionPool(host='huggingface.co', port=443): Max retries exceeded with url: /api/models/SparkAudio/Spark-TTS-0.5B/revision/main (Caused by ConnectTimeoutError(<urllib3.connection.HTTPSConnection object at 0x000001BC4C8A4430>, 'Connection to huggingface.co timed out. (connect timeout=None)'))"), '(Request ID: aa61d1fb-ffc7-4479-9a99-2258c1bc0aee)')).

4. 启动 Web 界面

模型下载完成后，就可以启动并打开 Web 界面了。

在已激活虚拟环境的终端中执行以下命令：

python webui.py

等待出现如下信息时，表示启动完成：

此时，可以在浏览器中打开地址 http://127.0.0.1:7860，Web 界面如下图所示：

5. 语音克隆测试

如下图所示，选择一个你想要克隆音色的音频文件（时长 3-10 秒，发音清晰，背景干净）。

然后在右侧 Text of prompt speech 中输入该音频对应的文本内容，左侧输入你希望生成的语音文本，最后点击底部的 Generate 按钮开始执行。

执行完成后，如下图所示。

6. 在 pyVideotrans 软件中使用

Spark-TTS 与 F5-TTS 非常相似，只需进行简单修改，就可以直接在 pyVideotrans 的 F5-TTS 配音渠道中使用 Spark-TTS。
如果你不会修改，可直接下载修改好的版本，覆盖该 webui.py，下载地址：https://pvt9.com/spark-use-f5-webui.zip

• 打开 webui.py 文件，在大约第 135 行的上方粘贴以下代码：

def basic_tts(gen_text_input, ref_text_input, ref_audio_input,remove_silence=None,speed_slider=None):
    """
    Gradio callback to clone voice using text and optional prompt speech.
    - text: The input text to be synthesised.
    - prompt_text: Additional textual info for the prompt (optional).
    - prompt_wav_upload/prompt_wav_record: Audio files used as reference.
    """
    prompt_speech = ref_audio_input
    prompt_text_clean = None if len(ref_text_input) < 2 else ref_text_input

    audio_output_path = run_tts(
        gen_text_input,
        model,
        prompt_text=prompt_text_clean,
        prompt_speech=prompt_speech
    )
    return audio_output_path,prompt_text_clean

特别注意： Python 代码使用空格进行缩进对齐，否则代码会报错。为避免出错，建议不要使用记事本打开 webui.py 文件，而是使用专业的代码编辑器，例如 Notepad++ 或 VSCode 等免费工具。

• 然后，找到大约第 190 行的 generate_buttom_clone = gr.Button("Generate") 代码。
  在其上方粘贴以下代码，同样必须注意对齐：

generate_buttom_clone2 = gr.Button("Generate2",visible=False)
generate_buttom_clone2.click(
       basic_tts,
       inputs=[
          text_input,
          prompt_text_input,
          prompt_wav_upload,
          text_input,
          text_input
       ],
       outputs=[audio_output,prompt_text_input],
       api_name="basic_tts"
 )

• 保存文件后，重新启动 webui.py：

python webui.py

• 将地址 http://127.0.0.1:7860 填写到 pyVideotrans 软件的 “菜单” -> “TTS 设置” -> “F5-TTS” 的 API 地址中，即可开始使用。参考音频的位置和填写方式与 F5-TTS 的使用方法一致。