F5-TTS

Текст во говорНедостапно
од X-LANCE (SJTU)ID на модел: f5-tts

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

Статус
Недостапно
Влез → излез
Текст → Аудио
Развивач
X-LANCE (SJTU)
Ажурирано
23 септември 2026 г.

F5-TTS е моментално недостапен

Моментално недостапно: овој модел е деактивиран.

Можете да ги прочитате деталите на оваа страница. Изберете една од достапните алтернативи подолу за да извршите споредлив модел веднаш.

Оди на алтернативи
01
  • 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$/извршување

  • 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$/извршување

  • OpenVoice v2Community

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

    ≈ 0,0673 US$/извршување

02

Playground

Пробајте F5-TTS

Влез и резултат

Тренутно недостапно

Моментално недостапно: овој модел е деактивиран.

Игралиштето е оневозможено. Слични модели можете да најдете во иста категорија: Погледни алтернативи

Пробајте 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.

Напредни поставки (3)

Transcript of the reference clip (improves quality)

Резултат
Генерираниот говор се појавува овде.

Овој тек

Нема цена – моментално недостапно.

Нов си овде?

10 бесплатни кредити (0,10 US$) кога ќе се регистрираш со Google

Употребливо 24 часа по регистрација, до 5 текови по ден и максимално 2 кредити по тек. Други методи на пријава почнуваат без кредити.

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

НакраткоОд 23 септември 2026 г.

F5-TTS е модел од X-LANCE (SJTU) во категоријата Текст во говор. F5-TTS моментално не е достапен на Railwail.

Позадина

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 токени

Способности

  • 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

Обука и лиценца

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.

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

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

Познати ограничувања

  • 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

Моментално недостапно: овој модел е деактивиран. Нема цена за овој модел во моментот, затоа не може да се извршува.

06

API

Повикајте го F5-TTS со вашиот Railwail API клуч. Користете го овој ID на моделот во барањето:

Нема потврден API пример

Јавниот API пренесува различен формат на влез отколку што овој модел има потреба. Користете го игралиштето погоре.

07

Спецификации

ID на моделот
f5-tts
Развивач
X-LANCE (SJTU)
Категорија
Текст во говор
Влез
Текст
Излез
Аудио
Големина на модел
~330M (Base) and ~1.4B (Large)
Лиценца
Code and weights under MIT licence; commercial use permitted.
Каталошка ставка ажурирана
23 септември 2026 г.

Параметри на влез

Влезови и поставки од шемата на влез на моделот. Примерот во делот API покажува кои од нив ги прифаќа API.

  • audioзадолжително

    Reference clip to clone; requires consent

    Тип: –
    Стандардно: –
    Дозволени вредности: –
  • gen_textзадолжително

    Text to speak in the cloned voice

    Тип: Текст
    Стандардно: –
    Дозволени вредности: до 4.000 знаци
  • speed
    Тип: Број
    Стандардно: 1
    Дозволени вредности: 0,1 до 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Тип: Текст
    Стандардно: –
    Дозволени вредности: –
  • remove_silence
    Тип: Да/Не
    Стандардно: true
    Дозволени вредности: –

Ознаки

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

Случаи на употреба

За што се користи

  • 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 поставувани прашања

Што е F5-TTS?

F5-TTS е модел од X-LANCE (SJTU) во категоријата Текст во говор. Наведено е на Railwail, но не може да се извршува во моментов.

Колку чини F5-TTS на Railwail?

F5-TTS не може да се извршува на Railwail во моментов, затоа нема тековна цена. Достапни алтернативи со цени се наведени подолу на оваа страница.

Кои поставки поддржува F5-TTS?

Според неговата шема за влез, F5-TTS ги познава овие параметри: audio, gen_text (до 4.000 знаци), speed (0,1 до 3), ref_text и remove_silence.

Колку брз е F5-TTS?

Нема доволно измерени извршувања на F5-TTS на Railwail за да се наведе време на извршување. Зависи од влезот, поставките и оптеретувањето кај добавувачот.

Дали F5-TTS е подобар од AudioLDM 2?

Зависи од задачата. F5-TTS (X-LANCE (SJTU)) и AudioLDM 2 (Haohe Liu) се обата модели во категоријата Текст во говор. Страницата за споредба ги покажува нивните цени и спецификации една до друга.

Спореди F5-TTS и AudioLDM 2

Можам ли да го користам F5-TTS сега?

Моментално недостапно: овој модел е деактивиран. Страницата останува онлајн; достапни алтернативи од иста категорија се наведени подолу.

Сите модели преку една API

Еден API клуч за секој модел на Railwail. Употребата се наплаќува од подготвени кредити, 1 кредит = 0,01 US$.