F5-TTS

Синтез речи (TTS)Недоступно
от X-LANCE (SJTU)ID модели: f5-tts

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

Статус
Недоступно
Вход → выход
Текст → Аудио
Разработчик
X-LANCE (SJTU)
Обновлено
23 верасня 2026 г.

F5-TTS сейчас недоступна

Недоступно: эта модель деактивирована.

Вы можете прочитать подробности на этой странице. Выберите одну из доступных альтернатив ниже, чтобы сразу запустить сравнимую модель.

К альтернативам
01

Сравнимые модели

Все в этой категории
  • AudioLDM 2Haohe Liu

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

    ≈ 0,0157 $/запуск

  • 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 $/запуск

  • OpenVoice v2Community

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

    ≈ 0,0673 $/запуск

02

Playground

Попробовать F5-TTS

Входные данные и результат

Сейчас недоступна

Недоступно: эта модель деактивирована.

Playground отключен. Сравнимые модели найдёте в той же категории: Посмотреть альтернативы

Попробовать 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.

Дополнительные параметры (3)

Transcript of the reference clip (improves quality)

Результат
Сгенерированная речь появится здесь.

Этот запуск

Нет цены – сейчас недоступно.

Впервые здесь?

10 бесплатных кредитов (0,10 $) при регистрации через Google

Доступно 24 часов после регистрации, до 5 запусков в день и максимум 2 кредитов за запуск. Другие способы входа начинают без кредитов.

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

О F5-TTS

КороткоПо состоянию на 23 верасня 2026 г.

F5-TTS — это модель от X-LANCE (SJTU) в категории Синтез речи (TTS). F5-TTS сейчас недоступна на Railwail.

Фон

О SWivid (Shanghai Jiao Tong University et al.)

Основана в 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.

Посетить 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.

Параметры
~330M (Base) and ~1.4B (Large)
Контекст
30 токенов

Возможности

  • 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 лицензия

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.

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

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

Известные 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

Цены

Недоступно: эта модель деактивирована. На данный момент для этой модели нет цены, поэтому её нельзя запустить.

06

API

Вызовите F5-TTS с помощью вашего API-ключа Railwail. Используйте этот ID модели в запросе:

Нет проверенного примера API

Публичный API передает другой формат входных данных, чем требует эта модель. Используйте playground выше.

07

Спецификации

ID модели
f5-tts
Разработчик
X-LANCE (SJTU)
Категория
Синтез речи (TTS)
Входные данные
Текст
Выходные данные
Аудио
Размер модели
~330M (Base) and ~1.4B (Large)
Лицензия
Code and weights under MIT licence; commercial use permitted.
Запись в каталоге обновлена
23 верасня 2026 г.

Входные параметры

Входные данные и параметры из схемы входных данных модели. Пример в разделе API показывает, какие из них принимает API.

  • audioобязательно

    Reference clip to clone; requires consent

    Тип: –
    По умолчанию: –
    Допустимые значения: –
  • gen_textобязательно

    Text to speak in the cloned voice

    Тип: Текст
    По умолчанию: –
    Допустимые значения: до 4 000 символов
  • speed
    Тип: Число
    По умолчанию: 1
    Допустимые значения: от 0,1 до 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Тип: Текст
    По умолчанию: –
    Допустимые значения: –
  • remove_silence
    Тип: Да/Нет
    По умолчанию: true
    Допустимые значения: –

Теги

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

Применение

Для чего это используется

  • 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

Часто задаваемые вопросы

Что такое F5-TTS?

F5-TTS — модель от X-LANCE (SJTU) в категории Синтез речи (TTS). Модель указана в каталоге Railwail, но сейчас её нельзя запустить.

Сколько стоит F5-TTS на Railwail?

F5-TTS сейчас нельзя запустить на Railwail, поэтому текущей цены нет. Доступные альтернативы с ценами указаны ниже на этой странице.

Какие параметры поддерживает F5-TTS?

Согласно схеме входных данных, F5-TTS поддерживает эти параметры: audio, gen_text (до 4 000 символов), speed (от 0,1 до 3), ref_text і remove_silence.

Насколько быстра F5-TTS?

На Railwail пока недостаточно измеренных запусков F5-TTS, чтобы указать время выполнения. Оно зависит от входных данных, параметров и нагрузки на провайдера.

F5-TTS лучше, чем AudioLDM 2?

Это зависит от задачи. F5-TTS (X-LANCE (SJTU)) и AudioLDM 2 (Haohe Liu) — обе модели в категории Синтез речи (TTS). На странице сравнения показаны их цены и характеристики рядом.

Сравнить F5-TTS и AudioLDM 2

Могу ли я использовать F5-TTS прямо сейчас?

Недоступно: эта модель деактивирована. Страница остаётся в сети; доступные альтернативы из той же категории указаны ниже.

Все модели через один API

Один API-ключ для всех моделей на Railwail. Использование оплачивается из предоплаченных кредитов, 1 кредит = 0,01 $.