pyVideoTrans

Appearance

F5-TTS-api ​

该项目源码地址 https://github.com/jianchang512/f5-tts-api

这是用于 F5-TTS 项目的api和webui

F5-TTS 是一款先进的文本转语音系统，它使用深度学习技术生成逼真、高质量的人声。只需短短10秒的音频样本，就能克隆出你的声音。F5-TTS 能够准确再现语音，并赋予其丰富的感情色彩。

原音色女儿国国王

克隆后音频

Windows集成包 (包含F5-TTS模型及运行环境) ​

123网盘下载地址： https://www.123684.com/s/03Sxjv-kKjB3

适用系统： Windows 10/11 (下载后解压即可使用)

使用方法：

  1. 启动API服务： 双击 run-api.bat 文件，API地址为 http://127.0.0.1:5010/api。image.png
  2. 启动Web UI服务： 双击 run-webui.bat 文件，启动完成后，请在浏览器打开 http://127.0.0.1:7860。

集成包默认使用CUDA 11.8版本。如果您有英伟达显卡并已配置好CUDA/cuDNN环境，系统会自动使用GPU加速。 如果想使用更高版本的cuda，比如12.4，请如下操作

进入到 api.py 所在文件夹，在文件夹地址栏输入cmd后回车，然后在弹出的终端中分别执行以下命令

.\runtime\python -m pip uninstall -y torch torchaudio

.\runtime\python -m pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

F5-TTS 的优势在于其高效性和高质量的语音输出。相比于需要较长音频样本的同类技术，F5-TTS 只需很短的音频就能生成高保真的语音，并能很好地表达情感，提升听感，这是许多现有技术难以做到的。

目前，F5-TTS支持英语和中文两种语言。

总而言之，F5-TTS 是一款强大的文本转语音工具，它不仅语音质量高，还能生成富有表现力的语音。通过便捷的语音克隆功能，您可以轻松将文本转换成逼真、富有情感的音频。缺点就是生成速度有点慢。

使用提示：代理/VPN ​

模型需要从 huggingface.co 网站下载。由于该网站在国内无法访问，请提前设置系统代理或全局代理，否则模型下载将会失败。

整合包已集成大部分所需模型，但可能会检测更新或下载其他依赖小模型，所以如果终端出现 HTTPSConnect 错误时，仍需设置系统代理

在视频翻译软件中使用 ​

  1. 启动API服务。

  2. 打开视频翻译软件，找到TTS设置，选择F5-TTS，输入API地址（默认为 http://127.0.0.1:5010）。

  3. 输入参考音频和音频文本。

  4. Model建议选择f5-tts 生成质量更好

快速测试 ​

  1. 整合包下载解压后，复制api.py为 test.py,然后删掉 test.py 里所有内容，将以下内容粘贴到test.py中。
  2. 找一段10s左右想克隆音色音频文件，格式为wav，发声清晰无噪音，重命名为 1.wav 放在 test.py同目录下，将 1.wav 中对应的发声文字填写到下方代码的"ref_text" 后，不要换行。
  3. 将想要合成的文字填写到下方代码的 "gen_text" 后。
  4. 双击 run-api.py启动api服务，当启动成功后，在 test.py 所在文件夹地址栏输入cmd,然后回车，输入命令 .\runtime\python test.py,等待执行完毕，文件夹内会生成一个 ceshi.wav，这就是克隆后的声音。

image.png

image.png

import requests

res=requests.post('http://127.0.0.1:5010/api',data={
    "ref_text": '这里填写 1.wav 中对应的文字内容',
    "gen_text": '''这里填写要生成的文本。''',
    "model": 'f5-tts'
},files={"audio":open('./1.wav','rb')})

if res.status_code!=200:
    print(res.text)
    exit()

with open("ceshi.wav",'wb') as f:
    f.write(res.content)

image.png