先说清楚它是什么：F5-TTS 属于「音频与语音」方向的开源项目，开源的零样本语音合成模型。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
清晰度语音是否清楚、无明显杂音明显不合格无需修改即可使用
准确性转写或朗读是否与文本一致明显不合格无需修改即可使用
自然度停顿、语调是否像真人明显不合格无需修改即可使用
一致性多段音频音量与音色是否统一明显不合格无需修改即可使用
授权音色、音乐是否有合法使用依据明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

分轨练习

适用情况：手头有一首用于练习的歌曲音频时。

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。

检查点：分离后人声没有明显残留伴奏。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 F5-TTS 的结果与人工完成或 CosyVoice 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

更多可以试的用法

短视频配乐

准备材料：一条 30 秒视频的情绪与节奏。

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。

检查点：结尾没有突然截断。

课程旁白配音

输入：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。

验收标准：数字读法不会产生歧义。

播客后期

适用情况：手头有一期双人录制的原始音频时。

处理这期音频：降低底噪、统一两人音量、删除超过 2 秒的停顿，保留自然的语气词，输出前后对比的处理记录。

交付前确认：人声没有被处理得发闷。

常见问题：配乐与画面情绪不符

先写清情绪关键词和节奏，再分段生成拼接。

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：降噪后声音发闷

降低处理强度，宁可保留少量底噪。

概念补充：响度标准化

把音频调整到平台推荐的响度范围，避免忽大忽小。

概念补充：人声分离

把歌曲或录音拆分为人声与伴奏等音轨。

适合人群：视频剪辑师

视频剪辑师可以用 F5-TTS 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。

适合人群：自媒体创作者

自媒体创作者可以用 F5-TTS 处理选题与脚本、封面与剪辑等工作。需要注意：注意素材版权与平台规则，AI 生成内容按平台要求标注。

注意事项

本文基于 F5-TTS 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读