Spark-TTS é um modelo de síntese de texto para voz eficiente baseado em modelos de linguagem grandes, com a característica de tokens de voz de fluxo único desacoplados. Ele utiliza a poderosa capacidade dos modelos de linguagem grandes para reconstruir diretamente a partir do áudio previsto pelo código, omitindo modelos adicionais de geração de características acústicas, aumentando assim a eficiência e reduzindo a complexidade. O modelo suporta síntese de texto para voz com zero amostra, podendo alternar entre idiomas e códigos, sendo muito adequado para aplicações de síntese de voz que exigem alta naturalidade e precisão. Ele também suporta a criação de vozes virtuais, permitindo que os usuários gerem diferentes vozes ajustando parâmetros como gênero, tom e velocidade. O objetivo do modelo é resolver os problemas de baixa eficiência e alta complexidade nos sistemas tradicionais de síntese de voz, visando fornecer uma solução eficiente, flexível e poderosa para pesquisa e produção. Atualmente, o modelo é direcionado principalmente para pesquisa acadêmica e aplicações legítimas, como síntese de voz personalizada, tecnologias assistivas e pesquisa linguística.