F5-TTS

Sprogudtale (TTS)Ikke tilgængelig
af X-LANCE (SJTU)Modell-ID: f5-tts

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

Status
Ikke tilgængelig
Input → output
Tekst → Lyd
Udvikler
X-LANCE (SJTU)
Opdateret
23. september 2026

F5-TTS er i øjeblikket utilgængelig

Ikke tilgængelig i øjeblikket: dette model er deaktiveret.

Du kan stadig læse detaljerne på denne side. Vælg en af de tilgængelige alternativer nedenfor for at køre en sammenlignelig model med det samme.

Gå til alternativer
01

Sammenlignelige modeller

Alle i denne kategori
  • AudioLDM 2Haohe Liu

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

    ≈ 0,0157 US$/kørsel

  • 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 US$/kørsel

  • OpenVoice v2Community

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

    ≈ 0,0673 US$/kørsel

02

Playground

Prøv F5-TTS

Input & resultat

Derzeit nicht verfügbar

Ikke tilgængelig i øjeblikket: dette model er deaktiveret.

Playground'en er deaktiveret. Du finder sammenlignelige modeller i samme kategori: Se alternativer

Prøv F5-TTS

0 / 4.000

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.

Avancerede indstillinger (3)

Transcript of the reference clip (improves quality)

Resultat
Den genererede tale vises her.

Denne kørsel

Ingen pris – ikke tilgængelig i øjeblikket.

Ny her?

10 gratis credits (0,10 US$) når du tilmelder dig med Google

Kan bruges 24 timer efter tilmelding, op til 5 kørsler pr. dag og højst 2 credits pr. kørsel. Andre login-metoder starter uden credits.

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

Om F5-TTS

Kort sagtFra 23. september 2026

F5-TTS er en model af X-LANCE (SJTU) i kategorien Sprogudtale (TTS). F5-TTS er i øjeblikket ikke tilgængelig på Railwail.

Baggrund

Om SWivid (Shanghai Jiao Tong University et al.)

Grundlagt 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.

Besøg SWivid (Shanghai Jiao Tong University et al.)

Arkitektur

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.

Parametre
~330M (Base) and ~1.4B (Large)
Kontekst
30 tokens

Funktioner

  • 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

Træning og licens

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.

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

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

Kendte begrænsninger

  • 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

Priser

Ikke tilgængelig i øjeblikket: dette model er deaktiveret. Der er i øjeblikket ingen pris for denne model, så den kan ikke køres.

06

API

Kald F5-TTS med din Railwail API-nøgle. Brug dette model-ID i anmodningen:

Intet bekræftet API-eksempel

Den offentlige API sender et andet inputformat end det, som denne model har brug for. Brug playground ovenfor.

07

Specifikationer

Model-ID
f5-tts
Udvikler
X-LANCE (SJTU)
Input
Tekst
Output
Lyd
Modelstørrelse
~330M (Base) and ~1.4B (Large)
Licens
Code and weights under MIT licence; commercial use permitted.
Katalogelement opdateret
23. september 2026

Inputparametre

Inputs og indstillinger fra modellens inputskema. Eksemplet i API-afsnittet viser, hvilke af dem API'en accepterer.

  • audiopåkrævet

    Reference clip to clone; requires consent

    Type: –
    Standard: –
    Tilladte værdier: –
  • gen_textpåkrævet

    Text to speak in the cloned voice

    Type: Tekst
    Standard: –
    Tilladte værdier: op til 4.000 tegn
  • speed
    Type: Tal
    Standard: 1
    Tilladte værdier: 0,1 til 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Type: Tekst
    Standard: –
    Tilladte værdier: –
  • remove_silence
    Type: Ja/Nej
    Standard: true
    Tilladte værdier: –

Tags

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

Anvendelsestilfælde

Hvad det bruges til

  • 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

Ofte stillede spørgsmål

Hvad er F5-TTS?

F5-TTS er en model fra X-LANCE (SJTU) i kategorien Sprogudtale (TTS). Den er opført på Railwail, men kan ikke køres i øjeblikket.

Hvad koster F5-TTS på Railwail?

F5-TTS kan ikke køres på Railwail i øjeblikket, så der er ingen aktuel pris. Tilgængelige alternativer med priser er angivet længere nede på denne side.

Hvilke indstillinger understøtter F5-TTS?

Ifølge dens inputskema kender F5-TTS disse parametre: audio, gen_text (op til 4.000 tegn), speed (0,1 til 3), ref_text og remove_silence.

Hvor hurtig er F5-TTS?

Der er endnu ikke nok målte kørsler af F5-TTS på Railwail til at angive en udførelsestid. Det afhænger af inputtet, indstillingerne og belastningen hos provideren.

Er F5-TTS bedre end AudioLDM 2?

Det afhænger af opgaven. F5-TTS (X-LANCE (SJTU)) og AudioLDM 2 (Haohe Liu) er begge modeller i kategorien Sprogudtale (TTS). Sammenligningssiden viser deres priser og specifikationer side om side.

Sammenlign F5-TTS og AudioLDM 2

Kan jeg bruge F5-TTS lige nu?

Ikke tilgængelig i øjeblikket: dette model er deaktiveret. Siden forbliver online; tilgængelige alternativer fra samme kategori er angivet længere nede.

Alle modeller via én API

En API-nøgle til alle modeller på Railwail. Forbrug debiteres fra forudbetalte credits, 1 credit = 0,01 US$.