F5-TTS

Teksta pārvēršana runāNav pieejams
no X-LANCE (SJTU)Modeļa ID: f5-tts

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

Statuss
Nav pieejams
Ievade → Izvade
Teksts → Audio
Izstrādātājs
X-LANCE (SJTU)
Atjaunināts
2026. gada 23. septembris

F5-TTS pašlaik nav pieejams

Pašlaik nav pieejams: šis modelis ir deaktivizēts.

Jūs joprojām varat lasīt detaļas šajā lapā. Izvēlieties vienu no pieejamajām alternatīvām zemāk, lai uzreiz palaistu salīdzināmu modeli.

Uz alternatīvām
01

Salīdzināmi modeļi

Visi šajā kategorijā
  • AudioLDM 2Haohe Liu

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

    ≈ 0,0157 $/palaidi

  • 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 $/palaidi

  • OpenVoice v2Community

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

    ≈ 0,0673 $/palaidi

02

Spēļu laukums

Izmēģiniet F5-TTS

Ievade un rezultāts

Pašlaik nav pieejams

Pašlaik nav pieejams: šis modelis ir deaktivizēts.

Spēļu laukums ir atspējots. Salīdzināmus modeļus varat atrast vienā kategorijā: Skatīt alternatīvas

Izmēģiniet 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.

Papildu iestatījumi (3)

Transcript of the reference clip (improves quality)

Rezultāts
Ģenerētā runa parādīsies šeit.

Šis palaišanas gadījums

Nav cenas – pašlaik nav pieejams.

Jauns šeit?

10 bezmaksas kredīti (0,10 $), reģistrējies ar Google

Pieejams 24 stundas pēc reģistrācijas, līdz 5 palaišanas gadījumi dienā un maksimāli 2 kredīti uz palaišanas gadījumu. Citas pierakstīšanās metodes sākas bez kredītiem.

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

Par F5-TTS

ĪsumāUz 2026. gada 23. septembris

F5-TTS ir X-LANCE (SJTU) modelis kategorijā Teksta pārvēršana runā. F5-TTS pašlaik nav pieejams Railwail platformā.

Fons

Par SWivid (Shanghai Jiao Tong University et al.)

Dibināts 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.

Apmeklēt SWivid (Shanghai Jiao Tong University et al.)

Arhitektūra

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.

Parametri
~330M (Base) and ~1.4B (Large)
Konteksts
30 marķieri

Iespējas

  • 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

Apmācība un licence

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.

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

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

Zināmi ierobežojumi

  • 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

Cenas

Pašlaik nav pieejams: šis modelis ir deaktivizēts. Šim modelim pašlaik nav cenas, tāpēc to nevar palaist.

06

API

Izsauciet F5-TTS ar savu Railwail API atslēgu. Izmantojiet šo modeļa ID pieprasījumā:

Nav pārbaudīta API piemēra

Publiskā API nodod citu ievades formātu, nekā nepieciešams šim modelim. Izmantojiet smilšu kasti iepriekš.

07

Specifikācijas

Modeļa ID
f5-tts
Izstrādātājs
X-LANCE (SJTU)
Ievade
Teksts
Izvade
Audio
Modeļa izmērs
~330M (Base) and ~1.4B (Large)
Licence
Code and weights under MIT licence; commercial use permitted.
Kataloga ieraksts atjaunināts
2026. gada 23. septembris

Ievades parametri

Ievades un iestatījumi no modeļa ievades shēmas. Piemērs API sadaļā parāda, kurus no tiem API pieņem.

  • audioobligāts

    Reference clip to clone; requires consent

    Tips: –
    Noklusējums: –
    Atļautās vērtības: –
  • gen_textobligāts

    Text to speak in the cloned voice

    Tips: Teksts
    Noklusējums: –
    Atļautās vērtības: līdz 4000 rakstzīmēm
  • speed
    Tips: Skaitlis
    Noklusējums: 1
    Atļautās vērtības: 0,1 līdz 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Tips: Teksts
    Noklusējums: –
    Atļautās vērtības: –
  • remove_silence
    Tips: Jā/Nē
    Noklusējums: true
    Atļautās vērtības: –

Tagi

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

Lietošanas gadījumi

Kam to izmanto

  • 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

Bieži uzdotie jautājumi

Kas ir F5-TTS?

F5-TTS ir X-LANCE (SJTU) izstrādāts modelis Teksta pārvēršana runā kategorijā. Tas ir uzskaitīts Railwail katalogā, bet pašlaik to nevar palaist.

Cik maksā F5-TTS Railwail?

F5-TTS pašlaik nevar tikt palaists Railwail, tāpēc nav pašreizējās cenas. Pieejamās alternatīvas ar cenām ir norādītas tālāk šajā lapā.

Kādus iestatījumus atbalsta F5-TTS?

Saskaņā ar tā ievades shēmu, F5-TTS pazīst šos parametrus: audio, gen_text (līdz 4000 rakstzīmēm), speed (0,1 līdz 3), ref_text un remove_silence.

Cik ātrs ir F5-TTS?

Railwail platformā F5-TTS vēl nav pietiekami daudz izmērītu izpilžu, lai norādītu izpildes laiku. Tas ir atkarīgs no ievades, iestatījumiem un sniedzēja slodzes.

Vai F5-TTS ir labāks par AudioLDM 2?

Tas ir atkarīgs no uzdevuma. F5-TTS (X-LANCE (SJTU)) un AudioLDM 2 (Haohe Liu) ir abi modeļi Teksta pārvēršana runā kategorijā. Salīdzināšanas lapā to cenas un specifikācijas ir parādītas blakus.

Salīdzināt F5-TTS un AudioLDM 2

Vai es varu izmantot F5-TTS tieši tagad?

Pašlaik nav pieejams: šis modelis ir deaktivizēts. Lapa paliek tiešsaistē; pieejamās alternatīvas no vienas kategorijas ir norādītas tālāk.

Visi modeļi caur vienu API

Viena API atslēga visiem Railwail modeļiem. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem, 1 kredīts = 0,01 $.