F5-TTS 是一款开源项目：开源的零样本语音合成模型。

如果你刚开始接触它，可以按下面 7 天的安排练习，每天 20 到 40 分钟。

每日安排

  • 第 1 天：注册与熟悉界面：阅读仓库 README 与许可证；按官方推荐方式安装（容器或包管理器）
  • 第 2 天：完成第一个任务「分轨练习」，按下文提示词操作。
  • 第 3 天：换一类任务「播客后期」，对比两次结果的质量。
  • 第 4 天：学习关键概念：TTS（文本转语音）、声音克隆、说话人分离。
  • 第 5 天：用真实工作材料做一次「有声读物试音」，记录省下的时间和需要返工的地方。
  • 第 6 天：排查问题：对照常见问题「合成语音读错多音字」等检查自己的用法。
  • 第 7 天：复盘：保留有效的提示词，写下继续使用或放弃的理由。

第 2 天的练习材料

分轨练习

准备材料：一首用于练习的歌曲音频。

把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。

验收标准：分离后人声没有明显残留伴奏。

一周后怎么判断值不值得继续

  • 是否稳定地节省了时间，而不只是第一次觉得新鲜。
  • 返工次数是否在下降。
  • 与 CosyVoice 等同类相比，是否更适合你的场景。
  • 数据与费用是否在可接受范围内。

补充练习

短视频配乐

适用情况：手头有一条 30 秒视频的情绪与节奏时。

生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。

交付前确认：结尾没有突然截断。

课程旁白配音

准备材料：一份 800 字的讲解稿。

把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。

交付前确认：数字读法不会产生歧义。

会议录音转写

适用情况：手头有一段 1 小时的会议录音时。

转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。

检查点：专有名词按名单校正。

常见问题：合成语音读错多音字

在文本中改用同音字或拼音标注，或使用工具的发音词典。

常见问题：转写错字集中在专有名词

提前提供人名、产品名词表，转写后批量替换。

常见问题：克隆音色不稳定

使用更干净、更长的样本，避免背景音乐和回声。

概念补充：采样率

每秒采样次数，影响音质与文件大小。

概念补充：TTS（文本转语音）

把文字合成为语音，可选择音色、语速与情感。

适合人群：记者编辑

记者编辑可以用 F5-TTS 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。

适合人群：中小学老师

中小学老师可以用 F5-TTS 处理备课与分层练习、批改反馈与评语等工作。需要注意：学生个人信息和成绩不要上传到未经学校批准的工具。

适合人群：客服人员

客服人员可以用 F5-TTS 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

写在最后

文中提示词和示例仅作示意，实际效果取决于你的材料和 F5-TTS 当前版本，重要内容请人工核对后再使用。

涉及个人信息、商业机密或受监管数据时，先确认 F5-TTS 的数据处理条款，再决定能否使用。

延伸阅读