---
title: "Llasa TTS – 香港科技大学开源的文本转语音模型"
url: "https://paooo.com/aigc-news/21646/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T10:01:41+08:00"
updated_at: "2026-06-08T10:01:41+08:00"
categories: "AIGC 资讯"
tags: "AI音频与语音, HuggingFace, Llama, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Llasa TTS – 香港科技大学开源的文本转语音模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/21646/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 基于 LLaMA 架构与单层VQ编解码器，Llasa TTS 可将文本生成自然流畅语音。
- 支持情感表达、长文本合成与零样本语音克隆，15秒样本即可复刻音色。
- 提供 1B/3B/8B 多规格模型，适合语音助手、有声读物、播报与内容创作。

## Llasa TTS是什么

Llasa TTS 是香港科技大学基于 LLaMA 架构推出的开源文本转语音（TTS）模型，支持高质量语音合成和克隆。Llasa TTS 基于单层向量量化（VQ）编解码器和单个 Transformer 架构，与标准 LLaMA 模型完全对齐，生成自然流畅的语音，支持情感表达和[音色克隆](https://ai-bot.cn/ai-voice-cloning-tools/)等功能。Llasa TTS 在训练和推理阶段均表现出色，基于扩展训练时间和推理时间的计算资源，提升语音的自然度、韵律准确性和情感表达能力。Llasa TTS 提供 1B、3B 和 8B 参数规模的模型，支持多语言合成。

## Llasa TTS的主要功能

- **高质量语音合成**：生成自然流畅的语音，支持中英文双语，适用于多种应用场景。

- **情感表达**：注入情感信息，生成带有快乐、愤怒、悲伤等情感色彩的语音，增强语音的自然度和表现力。

- **语音克隆**：仅需少量音频样本（如15秒），克隆特定人声的音色和情感，实现个性化语音合成。

- **长文本支持**：支持处理长文本输入，生成连贯的语音输出，适用于有声读物、语音播报等场景。

- **零样本学习**：支持对未见过的说话者或情感进行语音合成，无需额外的微调。

## Llasa TTS的技术原理

- **基于 Transformer 的架构**：基于单个 Transformer 架构，与标准的大型语言模型完全对齐。用单层向量量化（VQ）编解码器将语音波形转换为离散的语音标记，基于 Transformer 进行建模。

- **语音分词器**：

**编码**：将语音信号分解为语义特征和声学特征，分别基于预训练的 Wav2Vec2-BERT 和卷积模块提取。

- **量化**：用改进的向量量化（VQ）技术将特征编码为离散标记。

- **解码**：将离散标记解码回高质量的语音波形，支持语义和声学信息的重建。

- **训练与推理扩展**：

**训练时间扩展**：基于增加模型规模（如 1B、3B、8B 参数）或训练数据量（如 250k 小时语音数据），提升语音自然度和韵律准确性。

- **推理时间扩展**：在推理阶段引入语音理解模型作为验证器，用复杂的搜索策略（如束搜索、最佳候选选择）优化生成结果，增强情感表达和音色一致性。

- **自回归生成**：基于自回归生成方式，逐个生成语音标记，确保生成的语音在语义和韵律上与输入文本一致。

## Llasa TTS的项目地址

- **GitHub仓库**：[https://github.com/zhenye234/LLaSA_training](https://github.com/zhenye234/LLaSA_training)

- **HuggingFace模型库**：[https://huggingface.co/collections/HKUSTAudio/llasa](https://huggingface.co/collections/HKUSTAudio/llasa-679b87dbd06ac556cc0e0f44)

- **arXiv技术论文**：[https://arxiv.org/pdf/2502.04128](https://arxiv.org/pdf/2502.04128)

- **在线体验Demo**：[https://huggingface.co/spaces/srinivasbilla/llasa-3b-tts](https://huggingface.co/spaces/srinivasbilla/llasa-3b-tts)

## Llasa TTS的应用场景

- **智能语音助手**：为智能设备或软件提供自然流畅的语音交互功能，提升用户体验。

- **有声读物与在线教育**：将文字内容转化为生动的语音，为用户或学生提供听觉学习体验。

- **语音播报与客服**：用于新闻播报、交通信息提示或客服系统，提供高效的信息传递。

- **游戏与娱乐**：为游戏角色或虚拟形象赋予个性化语音，增强沉浸感。

- **语音克隆与内容创作**：克隆特定人声，用于广告配音、视频制作或个性化语音内容创作。

## 常见问题解答 (FAQ)

### Llasa TTS 适合做语音克隆吗？
适合。文章提到它支持语音克隆，只需少量音频样本，例如约15秒，就能克隆特定人声的音色与情感，适合个性化配音、视频制作和内容创作场景。

### Llasa TTS 的核心技术是什么？
它基于单个 Transformer 架构，并结合单层向量量化（VQ）编解码器，把语音波形转成离散标记再生成语音；同时利用训练与推理扩展提升自然度、韵律和情感表现。

### Llasa TTS 支持哪些应用场景？
可用于智能语音助手、有声读物、在线教育、新闻播报、客服系统、游戏角色配音以及广告和视频内容创作，重点优势是自然度高、支持情感表达和长文本输出。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
