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。
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。
应用场景
F5-TTS 适用于多种场景，如智能助手、在线教育和内容创作。无论是需要自然流畅的语音输出，还是情感表达丰富的应用，这款系统都能提供理想的解决方案。对于那些对多语言和高质量语音生成有需求的用户，F5-TTS 无疑是一个值得考虑的工具。
配置要求：
建议电脑满足以下配置：
- 操作系统：Windows 10/11 64位
- 显卡：建议8G显存及以上的英伟达（NVIDIA）显卡，
- CUDA >= 11.8
- 整个包解压完约10.1G，要留足硬盘空间
CUDA如未安装可以查看安装教程：https://aiyy.info/requirements/
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（解压软件下载地址：https://www.winrar.com.cn/）
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/
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
