F5-TTS

Teksto į kalbąNeprieinama
iš X-LANCE (SJTU)Modelio ID: f5-tts

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

Būsena
Neprieinama
Įvestis → išvestis
Tekstas → Garsas
Kūrėjas
X-LANCE (SJTU)
Atnaujinta
2026 m. rugsėjo 23 d.

F5-TTS šiuo metu neprieinamas

Šiuo metu nepasiekiama: šis modelis buvo išjungtas.

Šiame puslapyje galite perskaityti išsamią informaciją. Norėdami iš karto paleisti panašų modelį, pasirinkite vieną iš žemiau pateiktų prieinamų alternatyvų.

Į alternatyvas
01

Panašūs modeliai

Visi šioje kategorijoje
  • AudioLDM 2Haohe Liu

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

    ≈ 0,0157 USD/paleidimas

  • 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 USD/paleidimas

  • OpenVoice v2Community

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

    ≈ 0,0673 USD/paleidimas

02

Žaidimų aikštelė

Išbandyti F5-TTS

Įvestis ir rezultatas

Šiuo metu neprieinamas

Šiuo metu nepasiekiama: šis modelis buvo išjungtas.

Žaidimų aikštelė išjungta. Panašius modelius rasite toje pačioje kategorijoje: Peržiūrėti alternatyvas

Išbandyti 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.

Išplėstiniai nustatymai (3)

Transcript of the reference clip (improves quality)

Rezultatas
Sugeneruota kalba pasirodo čia.

Šis paleidimas

Nėra kainos – šiuo metu neprieinama.

Naujas čia?

10 nemokami kreditai (0,10 USD), kai užsiregistruojate naudodami Google

Galima naudoti 24 valandų po registracijos, iki 5 paleidimų per dieną ir daugiausia 2 kreditų per paleidimą. Kiti prisijungimo būdai pradedami be kreditų.

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

Apie F5-TTS

TrumpaiNuo 2026 m. rugsėjo 23 d.

F5-TTS yra X-LANCE (SJTU) modelis iš Teksto į kalbą kategorijos. F5-TTS šiuo metu nėra prieinamas per Railwail.

Fonas

Apie SWivid (Shanghai Jiao Tong University et al.)

Įkurta 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.

Apsilankyti SWivid (Shanghai Jiao Tong University et al.)

Architektūra

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.

Parametrai
~330M (Base) and ~1.4B (Large)
Kontekstas
30 žetonų

Galimybės

  • 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

Mokymas ir licencija

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.

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

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

Žinomos ribotybės

  • 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

Kainos

Šiuo metu nepasiekiama: šis modelis buvo išjungtas. Šiuo metu šiam modeliui nėra nustatytos kainos, todėl jo negalima paleisti.

06

API

Iškvieskite F5-TTS naudodami savo Railwail API raktą. Šioje užklausoje naudokite šią modelio ID:

Nėra patikrinto API pavyzdžio

Viešoji API perduoda kitą įvesties formatą nei šis modelis reikalingas. Naudokite aukščiau esančią žaidimų aikštelę.

07

Specifikacijos

Modelio ID
f5-tts
Kūrėjas
X-LANCE (SJTU)
Įvestis
Tekstas
Išvestis
Garsas
Modelio dydis
~330M (Base) and ~1.4B (Large)
Licencija
Code and weights under MIT licence; commercial use permitted.
Katalogo įrašas atnaujintas
2026 m. rugsėjo 23 d.

Įvesties parametrai

Įvestys ir nustatymai iš modelio įvesties schemos. API sekcijoje pateiktas pavyzdys rodo, kuriuos iš jų priima API.

  • audioprivalomas

    Reference clip to clone; requires consent

    Tipas: –
    Numatytasis: –
    Leidžiamos reikšmės: –
  • gen_textprivalomas

    Text to speak in the cloned voice

    Tipas: Tekstas
    Numatytasis: –
    Leidžiamos reikšmės: iki 4 000 simbolių
  • speed
    Tipas: Skaičius
    Numatytasis: 1
    Leidžiamos reikšmės: 0,1 iki 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Tipas: Tekstas
    Numatytasis: –
    Leidžiamos reikšmės: –
  • remove_silence
    Tipas: Taip/Ne
    Numatytasis: true
    Leidžiamos reikšmės: –

Žymos

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

Panaudojimo atvejai

Kam tai naudojama

  • 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

Dažnai užduodami klausimai

Kas yra F5-TTS?

F5-TTS yra X-LANCE (SJTU) modelis iš Teksto į kalbą kategorijos. Jis yra Railwail kataloge, tačiau šiuo metu negali būti paleistas.

Kiek kainuoja F5-TTS Railwail?

F5-TTS šiuo metu negali būti paleistas Railwail, todėl nėra dabartinės kainos. Toliau šiame puslapyje pateikiamos galimos alternatyvos su kainomis.

Kokius nustatymus palaiko F5-TTS?

Pagal jos įvesties schemą, F5-TTS žino šiuos parametrus: audio, gen_text (iki 4 000 simbolių), speed (0,1 iki 3), ref_text ir remove_silence.

Koks yra F5-TTS greitis?

F5-TTS Railwail platformoje dar nėra pakankamai išmatuotų vykdymų, kad būtų galima nurodyti vykdymo laiką. Jis priklauso nuo įvesties, nustatymų ir teikėjo apkrovos.

Ar F5-TTS geriau nei AudioLDM 2?

Tai priklauso nuo užduoties. F5-TTS (X-LANCE (SJTU)) ir AudioLDM 2 (Haohe Liu) yra abu modeliai iš Teksto į kalbą kategorijos. Palyginimo puslapyje jų kainos ir specifikacijos rodomos viena šalia kitos.

Palyginti F5-TTS ir AudioLDM 2

Ar dabar galiu naudoti F5-TTS?

Šiuo metu nepasiekiama: šis modelis buvo išjungtas. Puslapis lieka aktyvus; toliau pateikiamos galimos alternatyvos iš tos pačios kategorijos.

Visi modeliai per vieną API

Vienas API raktas visiems Railwail modeliams. Naudojimas apmokestinamas iš iš anksto nupirktų kreditų, 1 kreditas = 0,01 USD.