语言模型 F5-E2 TTS：音色 & 情绪一键克隆，轻松实现多角色对话

F5-TTS 是由上海交通大学、剑桥大学和吉利汽车研究院（宁波）有限公司于 2024 年共同开源的一款高性能文本到语音 (TTS) 系统，它基于流匹配的非自回归生成方法，结合了扩散变换器 (DiT) 技术。 F5-TTS 的主要功能包括零样本声音克隆、速度控制、情感表现控制、长文本合成以及多语言支持。它的技术原理涉及到流匹配、扩散变换器 (DiT)、ConvNeXt V2 文本表示改进、Sway Sampling 策略以及端到端的系统设计。

E2 TTS，全称为「Embarrassingly Easy Text-to-Speech」，是一种先进的文本转语音 (TTS) 系统，它通过简化的流程实现了人类水平的自然度和说话人相似性。E2 TTS 的核心在于它完全非自回归的特性，这意味着它可以一次性生成整个语音序列，而不需要逐步生成，从而显著提高了生成速度并保持了高质量的语音输出。

教程链接：https://go.openbayes.com/bRbIs

使用云平台：OpenBayes

http://openbayes.com/console/signup?r=sony_0m6v

页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

页面跳转后，选择「NVIDIA RTX 4090」以及「PyTorch」镜像，OpenBayes 平台上线了新的计费方式，大家可以按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。可以使用文章开头的邀请链接，获得 RTX 4090 使用时长！

稍等片刻，待系统分配好资源，当状态变为「运行中」后，点击「API 地址」边上的跳转箭头，即可跳转至 Demo 页面。

单人语音生成 (Batched TTS )

选择「TTS」，在「Reference Audio」处上传需要克隆的音频（例如：甄嬛的音频），在「Text to Generate」中输入文本提示词（ F5-TTS 的主要功能包括零样本声音克隆、速度控制、情感表现控制、长文本合成以及多语言支持。）点击「Synthesize」提交。在「Advanced Settings」下可设置高级参数：

Reference Text：参考文本，留空以自动转录参考音频。如果您输入文本，它将覆盖自动转录。
Remove Silences：移除静音，该模型往往会产生静音，尤其是在较长的音频上。如果需要，我们可以手动删除静音。请注意，这是一个实验性功能，可能会产生奇怪的结果并且增加生成时间。
Custom Split Words：断句符号，输入要分割的自定义单词，以逗号分隔。留空以使用默认列表。
Speed：速度，控制生成的语速。

2. 多人语音生成 (Podcast Generation)

该功能可以通过克隆音频，实现双人对话。选择「Podcast Generation」，在「Speaker 1 Name」输入第一个人的名称 (huan)，在「Reference Text (Speaker 1)」输入第一个人的音频；在「Speaker 2 Name」输入第二个人的名称 (hua)，在「Reference Text (Speaker 2)」输入第二个人的音频。在「Podcast Script」中按照格式输入对话文本（hua:你今天吃的什么？huan:我今天吃的鱼香肉丝和米饭。）然后选择模型 F5-TTS 或 E2-TTS。最后点击「Generate Podcast」生成。

多种语音类型生成 (Multiple Speech-Type Generation)

这个功能可以使用模型模拟情绪，根据不同的情绪进行音频生成。选择「Multiple Speech-Type Generation」后，点击「Add Speech Type」添加不同语气类型和音频（例如 Regular 和 Angry），在「Text to Generate」中按照要求的格式输入生成文本 (Angry:You know what, darn you and your little shop, you suck!) 然后选择模型 F5-TTS 或 E2-TTS。最后点击「Generate Emotional Speech」生成。