F5-TTS

工具定位

F5-TTS 是基于流匹配的非自回归语音合成模型，主打「零样本克隆 + 长文本稳定」，论文与代码同步开源，在中文社区的口碑主要来自它对大段台词的稳定性。

主要能力

• 给一段十秒左右的参考音频，即可复刻音色朗读新文本，无需训练。
• 中英混读支持较好，长句断句自然，语速和停顿可调。
• 提供命令行与 Gradio 界面，也支持批量合成与微调训练。

使用评价

在多句连续朗读时不容易出现「越读越飘」的问题，适合短剧旁白和成段台词。情绪表达整体偏中性，需要靠参考音频本身的语气带出来；参考音有底噪或口音时会被一并复制。显存占用中等，单卡即可跑，生成速度比实时慢，批量配音要留出时间。

适合与不适合

适合：需要固定角色音色、批量生成旁白与对白的团队。

不适合：要求强烈情绪表演、或需要严格商用授权的场景（需自行核对许可）。

内容依据项目公开资料与常见中文评测整理，参数与授权以官方仓库为准（MIT）。