F5-TTS

Преобразуване на текст в речНедостъпно
от X-LANCE (SJTU)ID на модела: f5-tts

Open-source flow-matching TTS with strong zero-shot voice cloning. Code MIT, weights CC-BY-NC.

Статус
Недостъпно
Вход → Изход
Текст → Аудио
Разработчик
X-LANCE (SJTU)
Актуализирано
23 септември 2026 г.

F5-TTS е временно недостъпен

Временно недостъпно: този модел е деактивиран.

Можете да прочетете подробностите на тази страница. Изберете една от наличните алтернативи по-долу, за да стартирате сравним модел веднага.

Към алтернативите
01

Сравними модели

Всички в тази категория
  • AudioLDM 2Haohe Liu

    Latent-diffusion model for general-purpose text-to-audio. Generates speech, music, and sound effects with a unified prior.

    ≈ 0,0157 щ.д./стартиране

  • Kokoro TTS 82MCommunity

    Open-weights 82M-parameter TTS. Punches above its size class on naturalness benchmarks at a fraction of the inference cost of larger models.

    ≈ 0,00030 щ.д./стартиране

  • OpenVoice v2Community

    MyShell OpenVoice v2. Multilingual zero-shot voice cloning with accurate tone-color reproduction and style/emotion control.

    ≈ 0,0673 щ.д./стартиране

02

Playground

Опитай F5-TTS

Вход и резултат

Временно недостъпно

Временно недостъпно: този модел е деактивиран.

Playground е деактивиран. Сравними модели можеш да намериш в същата категория: Преглед на алтернативи

Опитай F5-TTS

0 / 4000

Text to speak in the cloned voice

Voice sample *Record up to 30 s · file up to 60 s, 10 MB

10 to 30 seconds of clear speech, one speaker, no music or background noise.

Разширени настройки (3)

Transcript of the reference clip (improves quality)

Резултат
Генерираната реч се появява тук.

Този запуск

Няма цена – в момента недостъпно.

Нов си тук?

10 безплатни кредита (0,10 щ.д.) при регистрация с Google

Използваемо 24 часа след регистрация, до 5 запуска на ден и максимум 2 кредита на запуск. Други методи за вход стартират без кредита.

03

Examples

Real outputs from the public examples of this model on Replicate, with the prompt and settings that produced them. They were not generated live on this page.
04

За F5-TTS

НакраткоКъм 23 септември 2026 г.

F5-TTS е модел на X-LANCE (SJTU) от категория Преобразуване на текст в реч. На Railwail F5-TTS в момента не е наличен.

Фон

За SWivid (Shanghai Jiao Tong University et al.)

Основана 2024 · Shanghai, China

F5-TTS was released in October 2024 by the SWivid research collective, an open-source group anchored at Shanghai Jiao Tong University with contributors from the X-LANCE Lab, Microsoft Research Asia and the Chinese University of Hong Kong. Lead authors Yushen Chen, Zhikang Niu, Ziyang Ma, Keqi Deng, Haian Lin, Wendi He, Xiaofei Wang, Tomoki Toda, Kai Yu and Xie Chen released F5-TTS under MIT licence on GitHub together with model weights and a Hugging Face demo. The work followed the earlier E2-TTS (Microsoft) paper and quickly became one of the most popular open-weights TTS models of 2024-2025, frequently cited as the best fully open alternative to ElevenLabs for English and Chinese voice cloning.

Посетете SWivid (Shanghai Jiao Tong University et al.)

Архитектура

Flow-matching non-autoregressive TTS with Diffusion Transformer (DiT)

F5-TTS (Fairy-tale Fast Flow Matching TTS) is a non-autoregressive text-to-speech system that replaces the encoder-decoder pipeline with a single Diffusion Transformer trained with conditional flow matching. Text is first converted to character tokens and zero-padded to the target mel-spectrogram length, then concatenated with a noisy mel reference for the target voice. A DiT backbone with ConvNeXt v2 blocks predicts the velocity field that maps Gaussian noise to a clean mel-spectrogram, which is then converted to a waveform via Vocos vocoder. Training data is the 100k-hour open Emilia dataset (multilingual long-form audio scraped from podcasts and audiobooks). Because there is no autoregressive decoder, F5-TTS achieves real-time factor below 0.2 on a single A10 GPU while keeping competitive WER with VALL-E and NaturalSpeech 3. The model is famous for very high-quality zero-shot voice cloning from a single 5-15 second reference clip.

Параметри
~330M (Base) and ~1.4B (Large)
Контекст
30 токена

Възможности

  • Zero-shot voice cloning from ~10 s of reference audio with no fine-tuning
  • Non-autoregressive flow matching with real-time-factor < 0.2 on a single GPU
  • Open weights under MIT licence, multiple checkpoints (Base, Small, Multilingual)
  • English and Chinese out of the box; community fine-tunes for German, French, Japanese, Spanish
  • Up to 30 s of generated audio per inference
  • Speed control by adjusting the duration prompt
  • Best for: research, on-device TTS, voice cloning prototypes, commercial products built on open weights

Обучение и лиценз

Pretrained on the 100,000-hour open Emilia dataset of multilingual long-form audio with weakly supervised transcripts. Additional community fine-tunes use LibriSpeech, AISHELL-3 and bespoke audiobook collections.

Лиценз: Code and weights under MIT licence; commercial use permitted.

Тестване на безопасност: No formal red-team report. Authors publish a model card recommending consent for voice cloning and a model-output watermark, which is optional.

Известни ограничения

  • No formal SSML / emotion tags
  • Quality degrades on noisy reference audio
  • Multilingual coverage outside English/Chinese depends on community checkpoints
  • 30-second hard cap per generation
  • Voice cloning quality slightly below ElevenLabs Multilingual V2 on emotional acting
05

Цени

Временно недостъпно: този модел е деактивиран. В момента няма цена за този модел, затова не може да се изпълни.

06

API

Извикайте F5-TTS с вашия Railwail API ключ. Използвайте този ID на модела в заявката:

Няма проверен API пример

Публичният API предава различен входен формат, отколкото този модел нуждае. Използвайте playground по-горе.

07

Спецификации

ID на модела
f5-tts
Разработчик
X-LANCE (SJTU)
Вход
Текст
Изход
Аудио
Размер на модела
~330M (Base) and ~1.4B (Large)
Лиценз
Code and weights under MIT licence; commercial use permitted.
Каталогът е актуализиран
23 септември 2026 г.

Входни параметри

Входове и настройки от входната схема на модела. Примерът в раздела API показва кои от тях приема API.

  • audioзадължително

    Reference clip to clone; requires consent

    Тип: –
    По подразбиране: –
    Разрешени стойности: –
  • gen_textзадължително

    Text to speak in the cloned voice

    Тип: Текст
    По подразбиране: –
    Разрешени стойности: до 4000 символа
  • speed
    Тип: Число
    По подразбиране: 1
    Разрешени стойности: 0,1 до 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Тип: Текст
    По подразбиране: –
    Разрешени стойности: –
  • remove_silence
    Тип: Да/Не
    По подразбиране: true
    Разрешени стойности: –

Етикети

  • f5
  • tts
  • open-weights
  • voice-cloning
  • research
  • pricing-tbd
08

Случаи на използване

За какво се използва

  • Open-weights voice cloning research
  • On-device TTS for desktop and edge
  • Indie game and audiobook narration
  • Custom commercial products built on open weights
  • Academic benchmarks for flow-matching TTS
09

Често задавани въпроси

Какво е F5-TTS?

F5-TTS е модел от X-LANCE (SJTU) в категория Преобразуване на текст в реч. Той е включен в каталога на Railwail, но не може да се стартира в момента.

Колко струва F5-TTS на Railwail?

F5-TTS не може да се стартира на Railwail в момента, затова няма текуща цена. Налични алтернативи с цени са изброени по-долу на тази страница.

Какви настройки поддържа F5-TTS?

Според схемата на входа, F5-TTS познава тези параметри: audio, gen_text (до 4000 символа), speed (0,1 до 3), ref_text и remove_silence.

Колко бърз е F5-TTS?

Все още няма достатъчно измерени задачи на F5-TTS на Railwail, за да се посочи време на изпълнение. Зависи от входа, настройките и натоварването на доставчика.

Е ли F5-TTS по-добър от AudioLDM 2?

Зависи от задачата. F5-TTS (X-LANCE (SJTU)) и AudioLDM 2 (Haohe Liu) са и двата модела в категория Преобразуване на текст в реч. Страницата за сравнение показва техните цени и спецификации един до друг.

Сравни F5-TTS и AudioLDM 2

Мога ли да използвам F5-TTS сега?

Временно недостъпно: този модел е деактивиран. Страницата остава онлайн; налични алтернативи от същата категория са изброени по-долу.

Всички модели чрез един API

Един API ключ за всеки модел на Railwail. Използването се начислява от предплатени кредити, 1 кредит = 0,01 щ.д..