49K 下载！最强开源语音克隆TTS：本地部署实测，2秒复刻你的声音

最新推荐文章于 2025-04-08 09:25:56 发布

AI码上来

最新推荐文章于 2025-04-08 09:25:56 发布

阅读量1.8w

点赞数 18

分类专栏： AI实战文章标签：人工智能音频

本文链接：https://blog.csdn.net/u010522887/article/details/143247877

版权

AI实战专栏收录该内容

81 篇文章

订阅专栏

最近，社区开源了一款语音克隆 TTS 模型 - F5-TTS，效果非常惊艳，不到一周，HuggingFace 模型下载量高达 49K！

实操只需 2 秒音频即可合成超拟人的语音，推理速度优于前段时间和大家分享的：

最近打算在项目中用到它，顺便做一个测评，分享给大家。

1. F5-TTS 简介

官方地址：https://github.com/SWivid/F5-TTS

老规矩，先来简单介绍下~

F5-TTS 有哪些亮点？

在 E2-TTS 的基础上改进：文本表示细化和推理采样策略。
在保持简单架构的同时，提供了更好的性能和更快的推理速度。
零样本能力更强，也就是语音克隆效果更加惊艳（文末有实测）

官方实测，不管在英文和中文数据集上，均优于阿里开源的 CosyVoice：

2. 在线体验

在线体验地址：https://www.modelscope.cn/studios/modelscope/E2-F5-TTS

F5-TTS 已上线 ModelScope，无需本地部署，即刻在线体验！

支持三种形式：

TTS：标准的单音色语音克隆；
Podcast：多音色克隆：有声读物制作者的福音；
Multi-Style：多种说话情绪，例如 Shouting…

当然，如果需要在生产环境使用，那就少不了要本地部署服务。

3. 本地部署

3.1 环境准备

首先准备 F5-TTS 环境：

git clone https://github.com/SWivid/F5-TTS.git
cd F5-TTS
conda create -n f5tts python=3.10 -y
conda activate f5tts
pip install -r requirements.txt

然后，把模型下载到本地，方便调用：

export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download SWivid/F5-TTS --local-dir ckpts/
huggingface-cli download charactr/vocos-mel-24khz --local-dir ckpts/vocos

3.2 推理测试

先来测试下单音色语音克隆：

python inference-cli.py \
--model "F5-TTS" \
--ref_audio "tests/ref_audio/test_en_1_ref_short.wav" \
--ref_text "Some call me nature, others call me mother nature." \
--gen_text "I don't really care what you call me. I've been a silent spectator, watching species evolve, empires rise and fall. But always remember, I am mighty and enduring. Respect me and I'll nurture you; ignore me and you shall face the consequences." \
--load_vocoder_from_local

3.3 服务端部署

项目仓库中没有实现后端，因此我们采用 fastapi 完成后端部署。

首先，新建一个配置文件，把后端支持的音色，都放进来：

[voices.zh]
ref_audio = "tests/ref_audio/test_zh_1_ref_short.wav"
ref_text = "对，这就是我，万人敬仰的太乙真人。"

[voices.zh-CN-XiaoxiaoNeural]
ref_audio = "tests/ref_audio/zh-CN-XiaoxiaoNeural.wav"
ref_text = "曾经有一份真诚的爱情放在我面前，我没有珍惜。"

[voices.zh-CN-XiaoyiNeural]
ref_audio = "tests/ref_audio/zh-CN-XiaoyiNeural.wav"
ref_text = "曾经有一份真诚的爱情放在我面前，我没有珍惜。"

[voices.zh-CN-YunjianNeural]
ref_audio = "tests/ref_audio/zh-CN-YunjianNeural.wav"
ref_text = "曾经有一份真诚的爱情放在我面前，我没有珍惜。"

此外，还应该支持客户端上传待克隆的音频文件，因此数据模型定义如下：

class TTSRequest(BaseModel):
    voice_name: str = '' # 目标语音名称
    ref_audio: str = '' # 参考语音 base64编码的音频文件
    ref_text: str = '' # 参考语音的文本
    ref_tag: str = '' # 参考语音的标签
    gen_text: str = '' # 待合成的文本

如果客户端指定了 voice_name 则采用配置文件中的音色进行克隆，如果客户端上传了ref_audio，则参考ref_audio进行克隆。

实现逻辑如下，供大家参考：

@app.post("/f5tts")
async def f5tts(request: TTSRequest):
    if request.voice_name:
        ref_voice = target_voices[request.voice_name]
        ref_audio, ref_text = ref_voice['ref_audio'], ref_voice['ref_text']
    else:
        ref_audio, ref_text = request.ref_audio, request.ref_text
        if not ref_audio:
            return {"msg": "Please provide voice name or reference audio"}
        ref_audio = save_audio(ref_audio, request.ref_tag)
        if not ref_text:
            ref_text = asr_sensevoice(ref_audio)
    final_wave = infer_batch(ref_audio, ref_text, gen_text)

最后，调用 F5-TTS 模型将生成的音频文件返回，就 OK 了！