F5-TTS

Tekst-til-taleIkke tilgjengelig
av 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 tilgjengelig
Input → output
Tekst → Lyd
Utvikler
X-LANCE (SJTU)
Oppdatert
23. september 2026

F5-TTS er for øyeblikket utilgjengelig

Ikke tilgjengelig for øyeblikket: dette modellen er deaktivert.

Du kan fortsatt lese detaljene på denne siden. Velg ett av de tilgjengelige alternativene nedenfor for å kjøre en sammenlignbar modell med en gang.

Gå til alternativer
01

Sammenlignbare modeller

Alle i denne kategorien
  • 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/kjøring

  • 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/kjøring

  • OpenVoice v2Community

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

    ≈ 0,0673 USD/kjøring

02

Playground

Prøv F5-TTS

Inndata og resultat

Ikke tilgjengelig for øyeblikket

Ikke tilgjengelig for øyeblikket: dette modellen er deaktivert.

Lekeplassen er deaktivert. Du finner sammenlignbare 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.

Avanserte innstillinger (3)

Transcript of the reference clip (improves quality)

Resultat
Den genererte talen vises her.

Denne kjøringen

Ingen pris – ikke tilgjengelig for øyeblikket.

Ny her?

10 gratis credits (0,10 USD) når du registrerer deg med Google

Kan brukes 24 timer etter registrering, opptil 5 kjøringer per dag og maksimalt 2 credits per kjøring. Andre påloggingsmetoder starter uten 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 sagtPer 23. september 2026

F5-TTS er en modell fra X-LANCE (SJTU) i kategorien Tekst-til-tale. F5-TTS er for øyeblikket ikke tilgjengelig på Railwail.

Bakgrunn

Om SWivid (Shanghai Jiao Tong University et al.)

Grunnlagt 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.

Besøk 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.

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

Evner

  • 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

Trening og lisens

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.

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

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

Kjente begrensninger

  • 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 tilgjengelig for øyeblikket: dette modellen er deaktivert. Det er ingen pris for denne modellen for øyeblikket, så den kan ikke kjøres.

06

API

Ring F5-TTS med din Railwail API-nøkkel. Bruk denne modell-IDen i forespørselen:

Ingen verifisert API-eksempel

Det offentlige API-et sender et annet inngangsformat enn det denne modellen trenger. Bruk lekeplassen ovenfor.

07

Spesifikasjoner

Modell-ID
f5-tts
Utvikler
X-LANCE (SJTU)
Inndata
Tekst
Utdata
Lyd
Modellstørrelse
~330M (Base) and ~1.4B (Large)
Lisens
Code and weights under MIT licence; commercial use permitted.
Katalogoppføring oppdatert
23. september 2026

Inndataparametere

Inndataer og innstillinger fra modellens inndataskjema. Eksemplet i API-delen viser hvilke av dem APIen godtar.

  • audioobligatorisk

    Reference clip to clone; requires consent

    Type: –
    Standard: –
    Tillatte verdier: –
  • gen_textobligatorisk

    Text to speak in the cloned voice

    Type: Tekst
    Standard: –
    Tillatte verdier: opptil 4 000 tegn
  • speed
    Type: Tall
    Standard: 1
    Tillatte verdier: 0,1 til 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Type: Tekst
    Standard: –
    Tillatte verdier: –
  • remove_silence
    Type: Ja/Nei
    Standard: true
    Tillatte verdier: –

Merkelapper

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

Brukstilfeller

Hva det brukes 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 stilte spørsmål

Hva er F5-TTS?

F5-TTS er en modell fra X-LANCE (SJTU) i kategorien Tekst-til-tale. Den er oppført på Railwail, men kan ikke kjøres for øyeblikket.

Hvor mye koster F5-TTS på Railwail?

F5-TTS kan ikke kjøres på Railwail for øyeblikket, så det finnes ingen gjeldende pris. Tilgjengelige alternativer med priser er oppført lenger ned på denne siden.

Hvilke innstillinger støtter F5-TTS?

I henhold til inndataskjemaet kjenner F5-TTS disse parametrene: audio, gen_text (opptil 4 000 tegn), speed (0,1 til 3), ref_text og remove_silence.

Hvor rask er F5-TTS?

Det finnes ennå ikke nok målte kjøringer av F5-TTS på Railwail til å angi en kjøretid. Det avhenger av inndataene, innstillingene og belastningen hos leverandøren.

Er F5-TTS bedre enn AudioLDM 2?

Det avhenger av oppgaven. F5-TTS (X-LANCE (SJTU)) og AudioLDM 2 (Haohe Liu) er begge modeller i kategorien Tekst-til-tale. Sammenligningssiden viser prisene og spesifikasjonene deres side ved side.

Sammenlign F5-TTS og AudioLDM 2

Kan jeg bruke F5-TTS akkurat nå?

Ikke tilgjengelig for øyeblikket: dette modellen er deaktivert. Siden forblir online; tilgjengelige alternativer fra samme kategori er oppført lenger ned.

Alle modeller gjennom én API

Én API-nøkkel for alle modeller på Railwail. Bruk belastes fra forhåndsbetalt kreditt, 1 kreditt = 0,01 USD.