F5-TTS

环境要求

• Python 3.10 及以上，README 示例使用 Python 3.11
• FFmpeg（音频读写依赖）
• 与硬件匹配的 PyTorch 与 torchaudio（NVIDIA CUDA / AMD ROCm / Intel XPU / Apple Silicon）
• 使用 Docker 方式时需要支持 GPU 的容器环境（如 --gpus=all）
• AMD ROCm 版本仅支持 Linux

安装与启动步骤

1. 1创建 Python 环境

   用 conda 建一个独立环境并激活，避免与系统 Python 冲突；也可改用 virtualenv。

   conda create -n f5-tts python=3.11
   conda activate f5-tts

   复制

2. 2安装 FFmpeg

   音频处理的必需依赖，在激活的环境中通过 conda 安装即可。

   conda install ffmpeg

   复制

3. 3安装匹配的 PyTorch

   按显卡型号选择对应版本；此处为 NVIDIA CUDA 12.8 示例，其他平台见 README 折叠项。

   pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 --extra-index-url https://download.pytorch.org/whl/cu128

   复制

4. 4Docker 启动网页界面

   拉取官方镜像并直接运行 Gradio 网页端，映射 7860 端口，缓存卷避免重复下载权重。

   docker container run --rm -it --gpus=all --mount 'type=volume,source=f5-tts,target=/root/.cache/huggingface/hub/' -p 7860:7860 ghcr.io/swivid/f5-tts:main f5-tts_infer-gradio --host 0.0.0.0

   复制

5. 5命令行零样本合成

   指定参考音频与其文字内容，再给要合成的文本；ref_text 留空会调用 ASR 转写并额外占显存。

   f5-tts_infer-cli --model F5TTS_v1_Base --ref_audio "/your/path/ref.wav" --ref_text "参考音频对应的文字内容" --gen_text "想要合成的文本"

   复制

6. 6默认配置快速推理

   不带参数时读取仓库内置的 basic.toml 示例配置，适合先跑通流程再改参数。

   f5-tts_infer-cli

   复制

7. 7启动微调界面

   打开微调用的 Gradio 界面，可基于自有数据继续训练，具体流程见训练目录文档。

   f5-tts_finetune-gradio

   复制

关键配置

如何确认成功

浏览器访问 http://localhost:7860 能看到 Gradio 界面即启动成功；命令行方式则检查目标目录是否生成音频文件。

常见问题

注意事项

• README 节选未给出项目本体（Python 包）的安装命令，执行 f5-tts_infer-cli 等命令前请按仓库完整安装说明完成安装。
• 模型权重会自动下载并缓存在 Hugging Face 目录，首次运行耗时较长，建议保留挂载卷。
• AMD ROCm 支持仅限 Linux，Windows 与 macOS 请按对应平台的 PyTorch 安装方式操作。