超火的开源文本转语音工具 F5-TTS，一段音频+文字就可以模仿你想要的任何声色。

文章预览

F5-TTS是一种完全非自回归的基于流匹配和扩散变换器 (DiT) 的文本转语音系统。无需时长模型、文本编码器和音素对齐等复杂设计，只需用填充标记填充文本输入，使其长度与输入语音相同，然后进行去噪以生成语音，这最初由 E2 TTS 证明是可行的。然而，E2 TTS 的原始设计使其难以遵循，因为它的收敛速度慢且鲁棒性低。 相关链接 • 论文：https://arxiv.org/pdf/2410.06885 • 项目：https://SWivid.github.io/F5-TTS • 试用：https://huggingface.co/spaces/mrfakename/E2-F5-TTS 论文阅读 概述 F5-TTS是一种完全非自回归的基于流匹配和扩散变换器 (DiT) 的文本转语音系统。无需时长模型、文本编码器和音素对齐等复杂设计，只需用填充标记填充文本输入，使其长度与输入语音相同，然后进行去噪以生成语音，这最初由 E2 TTS 证明是可行的。然而，E2 TTS 的原始设计使其难以遵循，因为 ………………………………