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。

这篇不讲概念，直接给能复制修改的模板，以及每个模板该怎么填。

模板怎么用

每个模板都由三部分组成：背景（你是谁、要做什么）、约束（格式、篇幅、禁止事项）、验收（怎样算合格）。把方括号里的内容换成你自己的信息即可。

模板 1：课程旁白配音

适合：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。

填写提示：要求它在不确定处标注，而不是自行补全；验收看「数字读法不会产生歧义」。

模板 2：有声读物试音

适合：一个章节的文本。

用两种不同的声音风格朗读这一章节的前 300 字：一种沉稳叙述，一种轻松亲切，对比后选择更适合的版本。

填写提示：把你最看重的一条要求放在最前面；验收看「两种风格差异明显」。

模板 3：分轨练习

适合：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。

填写提示：如果结果太长，补一句字数或条数上限；验收看「分离后人声没有明显残留伴奏」。

模板维护

  • 给每个模板编号并记录修改日期。
  • 保留一份「效果好」的示例输出作为对照。
  • 团队共用时注明适用场景和负责人。

补充练习

会议录音转写

输入：一段 1 小时的会议录音。

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。

短视频配乐

输入：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。

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：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：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。

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。

概念补充：说话人分离

在转写中区分不同发言人，便于整理会议记录。

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。

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：研究生

研究生可以用 F5-TTS 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。

写在最后

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。

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。

延伸阅读