始智AI wisemodel.cn开源社区

始智AI wisemodel.cn社区是源自中国的中立开放的AI开源社区。正在，欢迎加入共同成长。wisemodel社区上线，H800/H20等资源上线，价格实惠，灵活方便，支持在线微调训练模型，及和，并。

F5-TTS是一种新颖的文本转语音（TTS）系统，它是基于NAR模型的一个新突破，由上海交通大学、剑桥大学和吉利汽车研究院的研究团队推出。

与众不同之处在于它使用非自回归方法，将流量匹配与扩散变压器 (DiT) 相结合，成功简化了TTS模型传统上涉及的复杂步骤。

我们知道，大多数语音合成技术（TTS）可以分为两大类：自回归（AR）模型和非自回归（NAR）模型。AR模型在零样本任务上表现出色，但存在推理延迟和暴露偏差的问题。NAR模型推理速度快，但面临文本和语音对齐鲁棒性不足的问题。F5-TTS旨在克服NAR的这一缺陷，同时提升其推理效率并保持系统设计的简洁性。

目前F5-TTS已经开源，并发布到始智AI wisemodel开源社区，欢迎大家前往使用。

模型及github地址：

https://wisemodel.cn/models/SJTU_X-LANCE/F5-TTS_Emilia-ZH-EN

https://wisemodel.cn/codes/SWivid/F5-TTS

01

主要架构

研究结果显示，F5-TTS在合成质量和推理速度方面均优于当前许多 TTS系统。在 LibriSpeech-PC数据集上，该模型在推理过程中取得了2.42的字错误率（WER）和0.15的实时因子（RTF），明显优于之前在处理速度和鲁棒性方面存在缺陷的扩散模型 E2TTS 。

通过简化流程并消除对时长预测、音素对齐和显式文本编码的需求，F5-TTS 提高了对齐和合成质量的鲁棒性。研究人员同时强调了伦理考虑，提出需要建立水印和检测系统以防止模型被滥用。系统的主要亮点在于：

位置嵌入：

采用正弦位置嵌入和旋转位置嵌入（RoPE）来增强模型对序列位置信息的理解能力，从而提升对齐精度。

模型输入与处理：

◦ 文本输入：将文本转换为字符序列，并用填充符填充至与输入语音相同长度，简化模型输入。

◦ ConvNeXt处理：通过ConvNeXt块对输入文本进行精炼，对齐语音模态，增强文本表示。

模型架构：

◦ 主干网络：采用Diffusion Transformer（DiT），利用流匹配技术实现从文本到语音的高效转换。

◦ 架构特点：避免复杂的持续时间模型、文本编码器和音素对齐等组件，简化系统设计，加快训练速度。

推理采样策略：

◦ Sway Sampling：非均匀采样策略，通过调整采样流步骤的密度，优化模型性能，减少推理时间。显著增强了生成语音的自然度和清晰度，使模型无需训练即可实现平滑且富有表现力的生成。

◦ ODE求解器：推理阶段使用ODE求解器（Euler/midpoint）处理采样的噪声x0和条件信息，实现从噪声到清晰语音的快速转换。

F5-TTS的训练和推理流程

02

使用方法

自定义本地部署服务

本地部署，需要保证GPU资源（算力）充足及Python环境。

• 克隆项目

/p>

p>

• 安装项目依赖包

/p>

pre>

/pre>

br/>

ul>

/ul>

br/>

li id="3583QVUC">

/p>

p id="3583QVRK">准备数据集并训练、推理、运行项目

/p>

p>

/li>

wisemodel上提供了直接使用的镜像

点击F5-TTS模型详情页-“训练或微调”按钮，创建一个开发环境，选择“F5-E2-TTS”的镜像，使用1张A5000的配置，然后直接点击下一步：

然后确认一下计费方式，如果是简单体验可以选择按量计费的模型，如果需要使用更长的时间，也可以选择包周或包月的模式，相比于按量有一些折扣。确定计费方式之后，可以直接点击提交订单：

等待1分钟左右，开发环境就启动成功，进入运行中的状态。

通过SSH或notebook登录到开发环境上，然后到/home/F5-TTS/src/f5_tts/infer/目录下面，把 模型服务启动起来python infer_gradio.py，然后再启动 web 服务。

服务启动成功之后，在开发环境申请一个服务端口和访问域名。

将申请好的域名复制到浏览器里就可以开始在线体验了。

使用镜像直接创建在线体验

wisemodel社区支持直接通过模型镜像创建在线体验，在 模型 详情面点击“在线部署-部署在线体验”按 钮。

然后选择和确认计费方式，这里选择按量-手动停止的计费方式，大家也可以根据自己的需求选择计费方式。

提交订单之后，应用已经进入启动中的状态，正常情况下大概等待1分钟左右就正常运营，进行在线体验了。

在线使用

通过官网直接体验其多语言语音生成和速度、情感控制功能。

• 上传原始音色音频，最好是说话的音频，也可以录制自己的声音上传。

• 然后输入需要转成语音的文本。

• 同步生成，最后就可生成带预期音色的音频了。

----- END -----

wisemodel相关：

系统升级：

系列模型：

关于wisemodel更多

1

欢迎持续关注和支持

开源社区建设需要长期坚持和投入，更需要广大用户的积极参与、贡献和维护，欢迎大家加入wisemodel开源社区的志愿者计划和开源共创计划。期待更多开发者将开源成果，包括模型、数据集和代码等发布到 wisemodel.cn 社区，共建中立、开放的AI开源社区生态。欢迎扫码添加wisemodel微信，申请加入wisemodel社群，持续关注wisemodel.cn开源社区动态，

2

欢迎加盟wisemodel开源社区

始智AI wisemodel社区自2023年9月上线以来，逐渐成为影响力日益扩大的中立开放的AI开源社区，为了加快公司发展，我们长期需要技术、运营等人才加盟，技术侧重在AI infra、后端开发，熟悉K8S、模型训练和推理等技术， 以及熟悉开发者生态运营的成员，欢迎感兴趣的朋友加盟，可以通过添加wisemodel微信，或者将简历投递到邮箱：liudaoquan@wisemodel.cn

3

欢迎投稿优质内容

欢迎投稿分享人工智能领域相关的优秀研究成果，鼓励高校实验室、大企业研究团队、个人等，在wisemodel平台上分享各类优质内容，可以是AI领域最新论文解读、最新开源成果介绍，也可以是关于AI技术实践、应用和总结等。投稿可以发邮件到liudaoquan@wisemodel.cn，也可以扫码添加wisemodel微信。

4

关于wisemodel开源社区

始智AI wisemodel.cn开源社区由清华校友总会AI大数据专委会副秘书长刘道全创立，旨在打造和建设中立开放的AI开源创新社区，将打造成“HuggingFace”之外最活跃的AI开源社区，汇聚主要AI开源模型、数据集和代码等，欢迎高校科研院所、大型互联网公司、创新创业企业、广大个人开发者，以及政府部门、学会协会、联盟、基金会等，还有投资机构、科技媒体等，共同参与建设AI开源创新生态。

向上滑动查看