本文提出了F5-TTS，一种基于流匹配（flow matching）与扩散Transformer（Diffusion Transformer, DiT）的全非自回归文本到语音（text-to-speech, TTS）系统。该系统无需复杂的结构设计，如时长模型、文本编码器或音素对齐模块。文本输入仅通过填充伪 token（filler tokens）至与语音输入相同长度，即可直接进行去噪以生成语音，这一思路最初由E2 TTS验证其可行性。然而，E2 TTS原始架构存在收敛速度慢、鲁棒性差等问题，难以有效应用。为解决上述挑战，我们首先采用ConvNeXt对输入进行建模，以优化文本表征，使其更易于与语音特征对齐。此外，我们进一步提出一种推理阶段的Sway Sampling采样策略，显著提升了模型的性能与生成效率。该流步采样策略可直接应用于现有基于流匹配的模型，无需重新训练。得益于这一设计，F5-TTS实现了更快的训练速度，并在推理阶段达到0.15的实时因子（RTF），相比当前最先进的基于扩散模型的TTS系统有显著提升。在公开的10万小时多语言数据集上训练后，F5-TTS展现出高度自然且富有表现力的零样本生成能力，支持无缝的语言切换（code-switching），并具备高效的语速控制性能。