请先完成链路的链接与闭环然后再继续阅读。
在第一阶段形成的闭环中主要是针对视频生成，在生成完视频之后还需要配音字幕等角色，我们使用tts进行配音，即文字转语言模型。这里有两种思路，如果对音色要求不高可以找ai腔的音频，这种音频满大街都是，我们主要讲解另外一种思路。
这里需要用到F5-TTS和ffmpeg，自行下载即可。
F5-TTS是一种快速克隆声音、生成几段配音的配音方案，如果需要更精确克隆声音可以使用开源软件GPT-SoVITS，不过他需要GPU进行训练。
我们以F5-TTS为例，需要准备一段角色原声音频和对应的参考文本，然后完成第一次配音测试,可以看到，他直接只是用F5-TTS和ffmpeg完成了后续步骤的组装。
这里有一个可以优化的点，每次配音的时候可以让模型权重缓存、参考音频固定，这样后续配音时间就会缩短。
Tip
值得注意的是，正常的初次tts可能相对耗时，这时候大模型可能会写脚本利用参考音频的前12秒进行训练，你至少需要保证前12秒存在人声，清晰无立体音，要不然训练出来的音色可能与原音完全不一样。
完成之后将后处理阶段并入主链路。