开源文本转语音模型官方代码库，Diffusion Transformer 与 ConvNeXt V2 架构，基于 Flow Matching
SWivid 开源的语音合成项目官方代码，代码 MIT 许可，预训练模型因训练数据 Emilia 采用 CC-BY-NC 许可，GitHub 15.3k stars。技术栈为 Diffusion Transformer 加 ConvNeXt V2，基于 Flow Matching，配推理期 Sway Sampling 采样策略， README 自述 "faster trained and inference"。pip install f5-tts 即可推理， 本地可编辑安装用于训练与微调，支持 NVIDIA、AMD、Intel GPU 及 Apple Silicon，另提供 Docker 镜像与 Triton、TensorRT-LLM 部署方案。 Gradio 应用支持分块推理、多风格多说话人生成、由 Qwen2.5-3B-Instruct 驱动的语音聊天与更多语言的自定义推理；官方 Benchmark（单卡 L20、16 NFE） Client-Server 并发 2 平均延迟 253ms，模型上架 Hugging Face、Model Scope 与 Wisemodel。
暂无相关文章。
