企业官网建设流程全解析

F5-TTS 快速语音克隆教程：一段参考音频，3 分钟做出你的 AI 配音

【免费下载链接】F5-TTSOfficial code for "F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching"项目地址: https://gitcode.com/gh_mirrors/f5/F5-TTS

F5-TTS 是一个开源的零样本语音克隆项目：提供一段参考音频，它就能用相近的音色完成语音合成，输出可直接使用的 AI 配音。本文按“先做什么、后做什么”的顺序，带你走完环境安装、第一次合成与 TTS 配置，并整理常见问题的处理办法。

F5-TTS 能干什么：四个内容生产场景

本节列出 F5-TTS 覆盖的四个内容生产场景，先判断它是否匹配你的工作流。

• 视频旁白：整段文案交给gen_text或gen_file，CLI 与 Web 端会自动分块合成（单块上限约 30 秒），输出 24kHz 的 WAV，可直接进剪辑时间线。
• 播客与有声书：同一段文本可切换多个角色声音，官方示例用三个声音讲了一则寓言。
• 音色复刻：3~10 秒的参考音频即可“借”到音色，新文本即时合成，无需针对该声音单独训练模型。
• 多语言内容：官方权重面向中英混合场景，社区贡献的日文、法文、德文、俄文等模型收录在 SHARED.md，按语言挑选即可。

技术层面，项目用流匹配（flow matching）替代典型扩散过程做语音生成，默认采样步数 32（nfe_step可调），这是它推理速度快的主要原因。

模型怎么选：按场景对照表直接挑

本节给出“场景 → 推荐模型 → 理由”的对照，避免在几个模型名之间反复比较。

结构上的差异：F5 系列用 DiT 主干，E2 系列是更简单的 Flat-UNet；推理输出统一由 Vocos 声码器解码为 24kHz 音频。官方预训练权重的存放位置见 ckpts/README.md，推理脚本会按需自动下载，无需手动搬运文件。

3 分钟跑通第一次合成

本节把克隆、安装、运行压成最短路径，目标是几分钟内听到第一段音频。

前提：Python 3.10 以上、已安装 FFmpeg；GPU 用户先装好与 CUDA 版本匹配的 PyTorch。在终端运行克隆与安装命令：

git clone https://gitcode.com/gh_mirrors/f5/F5-TTS cd F5-TTS pip install -e .

只跑推理、不做训练，也可以直接pip install f5-tts。安装完成后运行默认命令：

f5-tts_infer-cli

这条命令使用内置的basic.toml示例配置（英文参考音频与文本），首次运行会从模型库自动下载权重到本地缓存，结果保存到tests/目录，输出文件名由output_file决定（默认infer_cli_basic.wav）。第一次先听结果，确认音色方向对了，再进入下一节调参数。

换成自己的素材时，把三个参数直接写在命令行里：

f5-tts_infer-cli --model F5TTS_v1_Base \ --ref_audio ref.wav --ref_text "参考音频的内容文本" \ --gen_text "要合成的文字"

不想手动配环境，也可以用仓库自带的 Dockerfile 构建镜像，一条命令起 Web 界面：

docker build -t f5tts:v1 . docker container run --rm -it --gpus=all -p 7860:7860 f5tts:v1 f5-tts_infer-gradio --host 0.0.0.0

让声音更像参考音的关键参数

本节讲清ref_audio、ref_text、speed三个参数与参考音频要求，它们决定合成声音“像不像、自然不自然”。

• ref_audio：时长控制在 12 秒以内，超过会被自动裁到约 12 秒，结尾被切词会拉低生成质量；结尾留约 1 秒静音。选单人、背景噪音少、语速适中的片段，WAV、FLAC 均可，关键是能被 FFmpeg 正常解码。
• ref_text：写参考音频的准确文本，能显著提升音色还原度。留空则自动调用 ASR 转录，额外占用显存，转录不准时同样影响效果。
• speed：语速倍率，默认 1.0，通过--speed或配置文件调整，情感浓的内容可试 0.8 左右。
• remove_silence：设为true时清除输出中的过长静音，适合成品直接入库。

最小配置文件（.toml）：

model = "F5TTS_v1_Base" ref_audio = "ref.wav" ref_text = "参考音频的内容文本" gen_text = "要合成的文字" speed = 1.0 remove_silence = false

文本书写约定（详见 src/f5_tts/infer/README.md）：

• 大写字母（最好写成 K.F.C. 这种形式）会逐字母朗读，普通单词用小写。
• 需要停顿处显式插入空格或标点；英文句号后记得加空格，否则分块不生效。
• 数字默认按英文读法处理，要中文读法就先转成中文字。
• 长文本用gen_file比gen_text方便，两者同时存在时以gen_file为准。

多角色场景下，在 toml 里定义每个声音，再在文本中用方括号标记切换：

[voices.town] ref_audio = "town.wav" [voices.country] ref_audio = "country.wav"

文本里出现[main]、[town]等标记时切换到对应声音，完整例子见 multi 示例目录。

三种接入方式：CLI、Web、API

本节给出三种接入方式的定位与启动命令，按交付形态选择。

• CLI——适合脚本化与批量任务，参数全部可写进 toml，长文本自动分块，适合把配音写进 shell 或 CI 流程。
• Web——Gradio 可视化界面，不写代码也能调参试听，内置长文本分块与多声音生成，还带基于 Qwen2.5-3B-Instruct 的语音聊天。
• API——Python 类封装，seed、采样步数、输出路径都可程序化控制，适合集成进自己的应用。

f5-tts_infer-gradio python src/f5_tts/api.py

API 方式下还能调nfe_step（采样步数，默认 32）与cfg_strength（文本贴合度）：步数越少越快、细节略损。需要实时流式输出时，另有 socket 服务端按块发送音频：

python src/f5_tts/socket_server.py python src/f5_tts/socket_client.py

踩坑速查

本节把新手最常遇到的几类问题整理成“现象 → 处理”两栏，遇到报错先查这里。

第一次合成跑通后，建议固定一套满意的参考音频与 ref_text，之后只改 gen_text，效果最稳定。想集成进自己的应用，从 api.py 的F5TTS类入手；需要批量与评测时，参考 eval 目录下的脚本。

【免费下载链接】F5-TTSOfficial code for "F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching"项目地址: https://gitcode.com/gh_mirrors/f5/F5-TTS