出门问问（02438.HK）联合香港科技大学、上海交通大学、南洋理工大学、西北工业大学等研究机构，共同开源新一代语音生成模型 Spark-TTS，并重磅推出了Spark-TTS的商业化高品质 TTS 引擎:TicVoice7.0。
TicVoice7.0作为出门问问的第七代 TTS 引擎，能在不借助额外生成模型的辅助下（比如基于flow matching进一步预测声学特征），仅用语言模型(序列猴子)以单阶段、单流方式实现 TTS 生成。它不仅具备超自然的语音克隆与跨语种生成能力，还可根据用户需求定制精品专属声音。
目前，出门问问已经将 TicVoice7.0落地于旗下AI配音产品「魔音工坊」，为用户带来了更好的服务及效果体验，包括SOTA 的3秒语音克隆能力、更卓越的精品发音人定制效果等，在客服、有声书、情感直播、影视解说、影视配音等应用场景下带来更较好的的用户体验。
TicVoice7.0:开启全新语音编码范式，技术 Buff 叠满
出门问问自2012年成立以来，便坚持在人工智能语音领域深耕，不断迭代 TTS 引擎。凭借深厚的技术积累及先进的产品应用经验，出门问问先后推出了「魔音工坊」「奇妙元」「元创岛」等语音或搭载语音功能的产品，牢牢占据领先行业的技术与产品生态位。
近日，出门问问联合国内外先进的学术研究机构香港科技大学、上海交通大学、南洋理工大学、西北工业大学，开源了新一代语音生成模型 Spark-TTS，并发布于开源社区 SparkAudio。
模型一经发布，便迅速登上Hugging Face 趋势榜 TTS 前二名，且增长势头强劲。而伴随着相关论文的发布，Spark-TTS 再次点燃学术圈的热情。
Spark-TTS 或者说 TicVoice7.0何以引发如此重大反响? 最重要的原因在于，它为行业带来了全新的语音编码范式，且实现了建模结构与文本 LLMs 结构的高度统一:
直击主流语音 token 痛点
TicVoice7.0和Spark-TTS提出了一种全新的语音编码方式，可有效解决主流语音离散编码存在的两大核心问题:
单码本的语义 token 需要经过多个阶段才能生成声学特征，在大语言模型的自回归建模过程中，难以对音色等属性进行准确控制。
声学编码通常依赖多个码本，导致模型设计复杂化，同时缺乏与语义的强关联性，增加了预测的不确定性和难度。
BiCodec示意图
如图所示，BiCodec 将输入语音编码为互补的两部分，即固定序列长度的 Global Token和低码率的 Semantic Tokens（50TPS， token per second）:
Global Token负责建模时序无关的全局特征（如音色），确保语音生成的全局可控性。
Semantic Tokens以 wav2vec2.0提取的特征为输入，编码与文本紧密相关的信息，确保语义的强相关性。
这种设计使 BiCodec既能利用 Semantic Tokens 的低码率和强语义关联性，同时又能在自回归语言模型中实现对音色等属性的准确控制，兼顾有效性与可控性。
实现建模结构与文本 LLMs 结构的高度统一
BiCodec 采用全离散、单流的编码方式，使语音 token 的建模与文本 token 的建模完全统一:
统一的模型结构:Spark-TTS直接复用 Qwen2.5的原生架构，并扩展其 Tokenizer 以支持语音相关 token，使 Spark-TTS 的建模方式与文本建模高度一致。
属性控制:通过引入属性标签（如性别、基频等级）和细粒度属性值(如比较准确基频)，Spark-TTS 以文本+属性标签为输入，采用链式思考(CoT， Chain of Thought)的方式，依次预测细粒度属性值 → Global Tokens → Semantic Tokens，从而实现音色生成高度可控。
Spark-TTS的语言模型示意图
再度刷新行业语音克隆能力标准，极大提升用户体验
TicVoice7.0展现出卓越的语音克隆能力，尤其在跨语言声音克隆方面表现出色。我们分别将其与出门问问上一代产品 MeetVoice Pro及国内外优秀的同类产品做了评测，发现TicVoice7.0在“3秒克隆”和“好Pro-精品发音人”方面领先优势明显。
让 AI “说人话”，大大提升情感表现力
TicVoice7.0能够在3秒内敏锐地捕捉声纹特征，让AI不仅能“说人话”，更能模仿人类的叹息、停顿。相比上一代的语音大模型，TicVoice7.0的效果得到全面提升，3秒克隆经评测，其国际通用 MOS 评分从3.9提升至4.2。其在音色相似度、情感表现以及稳定性上都有近10%的提升。总体而言，新一代语音大模型在听感上更自然、更悦耳、更稳定、情感表现力更强，可有效提升用户在客服、情感直播、有声书等场景的体验。
个性化定制更加准确，轻松获得播音级配音体验
TicVoice7.0支持用户通过调整性别、语速、基频等多种属性（即将上线），准确塑造独特的声音风格。尤其在“好 Pro-精品发音人”定制方面，用户可通过20-200句语料获得获得播音级的专业配音体验。
相比上一代的语音大模型，TicVoice7.0在国际通用 MOS 分数上从4.3提升至4.7。这意味着语音生成效果非常自然的，语音达到了广播级水平，普通人很难区分合成语音和广播语音的区别。总体而言，新一代语音大模型的语音更加清晰流畅、悦耳动听、容易理解、易于接受，可真正应用于影视/游戏角色配音等场景，为定制用户带来专业级体验。
TicVoice7.0的发布不仅标志着出门问问在人工智能语音生成领域的又一次重大突破，更通过开源生态与产学研深度协同，为行业发展注入了新动能。
未来，出门问问将持续深化与先进学术机构的合作，不断提升用户的产品体验，探索语音生成技术与多模态 AI 的融合边界，从“听得懂”到“听得真”，从“能表达”到“有情感”，让 AI 真正成为人类情感与智慧的延伸。
（推广）