你的声音能被复制？F5-TTS 带你体验“声音版 AI 绘图”

前言

过去几年，AI 在图像、语言、视频领域突飞猛进，如今轮到 “声音” 成为主角。

我们不再满足于让 AI 说话，而是希望它像我们一样说话，甚至模仿别人说话。语音克隆（Voice Cloning）和语音转换（Voice Conversion）正掀起一场声音革命。

而在这一切的背后，F5-TTS 成为最具潜力的新星。

它快、轻、还支持精细控制，关键是——它可以模仿任意声音，让任何文字都能“发出你指定的声音”。

什么是 F5-TTS？

📌 F5-TTS 是一种最新的语音合成系统，支持从文本直接合成语音，同时能模仿任意目标声音。名字中的 “F5” 指：

•	Fast：快速合成
•	Flat：结构扁平
•	Fine-grained：控制细粒度（如音调、节奏）

相比传统 TTS（如 Tacotron、FastSpeech），F5-TTS 的亮点在于： • 无需对齐器 • 支持任意发音人 • 语音质量高、生成速度快

image-20250506154601119

它能做什么

✅ 1. 将文本转为声音（Voice Cloning）

这是一个基础的功能，F5-TTS可以实现直接将文本快速转为声音

✅ 2. 任意声音模仿（Voice Cloning）

F5-TTS 支持输入任意参考语音（哪怕只有几秒），快速提取声纹并完成语音合成：

比如只提供一段你朋友说话的音频，AI 就能学会模仿他说话的语调和音色。

image-20250506154841628

本地搭建

官网地址：https://github.com/SWivid/F5-TTS

1. 使用conda创建一个隔离环境，命令为conda create -n f5-tts python=3.10,最终成功图如下图所示

image-20250506155804978

1. 下载相关依赖,我是mac本，先执行pip install torch torchaudio,再执行pip install f5-tts即可
2. 使用f5-tts_infer-gradio运行，最后控制台输出如下

image-20250506161139614

1. 直接访问上图地址即可

image-20250506164436817

声音真的很逼真

报错解决

ValueError: ffmpeg was not found but is required to load audio files from filename

执行conda install -c conda-forge ffmpeg后再执行如下命令

# 退出并重新激活虚拟环境
conda deactivate
conda activate f5-tts

线上体验

体验地址：https://huggingface.co/spaces/mrfakename/E2-F5-TTS

免费的，而且支持API的调用