F5-TTS ist ein leistungsstarkes Text-zu-Sprache-System (TTS), das eine natürliche und flüssige Sprachgenerierung bietet. Es unterstützt den Sprachwechsel, die Anpassung der Sprechgeschwindigkeit und den Ausdruck von Emotionen und zeichnet sich durch eine besondere Zero-Shot-Generierung sowie die Vorteile groß angelegten Sprachtrainings aus. Die neue Zwei-Personen-Dialogfunktion erweitert die Einsatzmöglichkeiten zusätzlich und macht es zum idealen Werkzeug für globale Kommunikation und Kreation.

1. Sprachwechsel
Unterstützt den nahtlosen Wechsel zwischen mehreren Sprachen und deckt mühelos komplexe Spracheingaben ab.
2. Zero-Shot-Generierung
Erzeugt hochwertige Sprache ohne spezifische Trainingsbeispiele und passt sich neuen Sprachen oder unbekannten Sprechstilen an.
3. Anpassung der Sprechgeschwindigkeit
Bietet eine Geschwindigkeitssteuerung, mit der Nutzer das Sprechtempo nach Bedarf anpassen und vielfältige Szenarien bedienen können.
4. Zwei-Personen-Dialogfunktion
Ermöglicht die Einstellung zweier Figuren für einen Dialog, was die Erstellung dialogbasierter Inhalte erleichtert.
F5-TTS lässt sich breit einsetzen, etwa in intelligenten Assistenten, der Online-Bildung und der Content-Erstellung. Ob natürliche Sprachausgabe oder ausdrucksstarke Emotionen – dieses Werkzeug erfüllt die Anforderungen und eignet sich für Nutzer, die hochwertige Sprachgenerierung und Sprachunterstützung benötigen.
– Betriebssystem: Windows 10/11 64 Bit
– Grafikkarte: empfohlen wird eine NVIDIA-Grafikkarte mit 8 GB VRAM oder mehr, Unterstützung für CUDA >= 11.8
– Festplattenplatz: nach dem Entpacken etwa 10,1 GB; ausreichend Speicherplatz sicherstellen
– So prüfst du Grafikkartenmarke und VRAM:
1. Task-Manager öffnen
2. Auf die Registerkarte "Leistung" klicken
3. "GPU" auswählen; oben rechts ist das Grafikkartenmodell zu sehen, unten wird die Größe des Grafikspeichers angezeigt

CUDA-Installationsanleitung:Klicken, um die Anleitung anzuzeigen
1. Komplettpaket entpacken
Stellen Sie sicher, dass der Entpackpfad und die Dateinamen keine chinesischen Zeichen enthalten, damit bei der Ausführung der Software keine Fehler auftreten.

2. Vorbereitung des Audiomaterials
Es wird empfohlen, die Länge des Materials auf 15 Sekunden zu begrenzen und trockenes Audiomaterial zu verwenden (ohne Hintergrundgeräusche, ohne Störgeräusche). Bei Hintergrundgeräuschen kann [UVR]verwendet werden.
3. Bedienoberfläche starten
Doppelklicken Sie auf "Ein-Klick-Start.exe"; nach kurzer Wartezeit öffnet sich die Bedienoberfläche im Browser.

4. Sprachgenerierung für eine einzelne Rolle
– Audio hochladen
– Referenzaudiotext eingeben (d. h. den Dialoginhalt im Audio)
– "Stille entfernen" aktivieren
– Den zu erzeugenden Text eingeben, am Satzende einen Punkt setzen und auf Erzeugen klicken

Das erzeugte Ergebnis wird unten auf der Seite angezeigt und kann angehört und heruntergeladen werden.

[Originalaudio]
[Erzeugtes Ergebnis]
5. Dialogerzeugung für zwei Rollen
– Den Modus "Podcast" wählen, beide Rollen benennen, ihre jeweiligen Audios hochladen und den entsprechenden Referenztext eingeben
– Ein Dialogskript schreiben; auf das Format achten: Nach dem Rollennamen einen Doppelpunkt setzen und den Dialoginhalt schreiben, am Satzende ist ein Punkt erforderlich
– "Stille entfernen" aktivieren und auf Erzeugen klicken

Das erzeugte Ergebnis wird unten angezeigt und kann angehört oder heruntergeladen werden.

[Originalaudio-A]
[Originalaudio-B]
[Erzeugtes Ergebnis]
PS: Das Tool unterstützt auch die Emotionsgenerierung, doch in Tests war das Ergebnis eher durchschnittlich - bei Interesse können Sie es selbst ausprobieren!

Open-Source-Adresse:https://github.com/SWivid/F5-TTS