Spark-TTS es un modelo de síntesis de texto a voz eficiente basado en modelos de lenguaje grandes, con la característica de tokens de voz de flujo único desacoplados. Aprovecha la potencia de los modelos de lenguaje grandes para reconstruir directamente el audio predicho por el código, omitiendo los modelos de generación de características acústicas adicionales, lo que aumenta la eficiencia y reduce la complejidad. El modelo admite la síntesis de texto a voz con cero ejemplos, pudiendo cambiar entre idiomas y código, siendo muy adecuado para aplicaciones de síntesis de voz que requieren alta naturalidad y precisión. También admite la creación de voces virtuales; los usuarios pueden generar diferentes voces ajustando parámetros como el género, el tono y la velocidad del habla. El objetivo del modelo es resolver los problemas de baja eficiencia y alta complejidad de los sistemas tradicionales de síntesis de voz, con el fin de proporcionar una solución eficiente, flexible y potente para la investigación y la producción. Actualmente, el modelo está principalmente dirigido a la investigación académica y aplicaciones legítimas, como la síntesis de voz personalizada, la tecnología de asistencia y la investigación lingüística.