F5-TTS 是一款先进的文本转语音（TTS）系统，具备多语言切换、速度控制和情感表达等功能，为用户提供自然流畅的语音生成体验。其独特的零样本生成能力和大规模多语言训练，使其在多种场景下表现出色，尤其适合全球化背景下的交流需求。同时此版本还支持两人对话功能。

2025.4.17：更新v1_Base版本模型

开源地址：https://github.com/SWivid/F5-TTS

☞☞☞☞☞☞  右侧下载整合包  ☞☞☞☞☞☞

软件功能

  • 多语言切换：支持多种语言的文本转语音操作，能够在不同语言之间无缝切换，适应复杂的多语言输入。
  • 零样本生成能力：该系统无需特定的训练样本即可生成高质量的语音，灵活应对新语言或未见过的语音风格。
  • 语音速度控制：用户可根据需求调节语速，以适应不同场景的叙事节奏。
  • 多人对话：支持设置两个角色对话。

 

配置要求：

电脑需满足以下配置：

  • 操作系统：Windows 10/11 64位
  • 内存：20G以上
  • 显卡：至少8G及以上显存的英伟达（NVIDIA）显卡，显卡性能越好，生成速度越快
  • CUDA：显卡支持的CUDA版本大于等于12.8版本（如不知道显卡支持的CUDA版本，可点击此链接查看：https://aiyy.info/supported-cuda-versions/）
  • 整个包解压完约16.5G，要留足硬盘空间

 

如何查看显卡品牌型号和显存：

  • 打开任务管理器
  • 点击“性能”
  • 点击“GPU”
  • 右上角可以看到显卡型号，下方可以看到显存大小

 

使用教程：

① 打开下载页面（https://aiyy.info/e2-f5-tts/）点击页面右侧下载按钮，下载整合包之后解压，建议使用winrar解压（解压软件在文件包中，或者可以自己下载安装，下载地址：https://www.winrar.com.cn/）

不要用Windows自带解压！！不要用360解压！！

注意：文件夹路径和文件名称（包括音频、图片、视频等文件名称）不要出现中文字符，否则部分软件会因识别不出而报错

 

② 音频素材建议在15秒内，先处理音频，素材声音建议为干声（无背景音、无杂音），效果较佳，如果音频有背景音或者伴奏可以先用UVR处理一下

UVR使用教程及下载链接：https://aiyy.info/uvr5/

老版本：

③ 双击“一键启动.exe”，稍等片刻会在浏览器中自动打开操作界面

 

 

④ 单角色音频克隆并生成：

上传音频，再输入参考音频文本（就是音频的读白内容），再打开“删除静音”，输入要生成的文本，语句结尾加句号，最后点击生成

 

 

生成结束后，结果位于下方，可以试听，点击生成结果右上角下载按钮可以保存至指定文件夹

 

原音频：

 

生成结果：

 

⑤ 双角色对话生成：

在上方选择“Podcast”播客模式，然后给角色命名并分别上传音频、输入音频参考文本（就是音频的读白内容）

先是输入演讲者1的姓名，然后上传演讲者1的音频，再输入演讲者1音频的参考文本（就是演讲者1音频的读白内容），接着输入演讲者2的姓名，然后上传演讲者2的音频，再输入演讲者2音频的参考文本（就是演讲者2音频的读白内容）。

编写播客脚本，姓名严格按照前面取的姓名，在姓名后面接英文冒号，然后写对话内容，每句话结束要加句号，否则容易造成生成内容缺失（可参考下方示例）

勾选删除静音，最后点击生成

 

 

生成结束后，结果位于下方，可以试听，点击生成结果右上角下载按钮可以保存至指定文件夹

 

原音频-张三

 

原音频-李四

 

生成结果

 

此外工具还支持情绪生成，不过测试下来效果一般，就不做介绍了，大家有兴趣可以自行尝试

 

 

声明： ① 本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，请勿直接商用。若由于商用引起版权纠纷，一切责任均由使用者承担。更多说明请参考赞助计划。 ② 本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。