F5-TTS

Синтеза говораНедоступно
од X-LANCE (SJTU)ID модела: f5-tts

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

Статус
Недоступно
Унос → излаз
Текст → Аудио
Програмер
X-LANCE (SJTU)
Ажурирано
23. септембар 2026.

F5-TTS је тренутно недоступан

Тренутно недоступно: овај модел је деактивиран.

Можеш и даље читати детаље на овој страници. Изабери једну од доступних алтернатива испод да одмах покренеш упоредив модел.

Иди на алтернативе
01

Упоредиви модели

Сви у овој категорији
  • 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$/покретање

  • 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$/покретање

  • OpenVoice v2Community

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

    ≈ 0,0673 US$/покретање

02

Плејграунд

Пробајте F5-TTS

Унос и резултат

Тренутно недоступно

Тренутно недоступно: овај модел је деактивиран.

Playground је онемогућен. Упоредиве моделе можете пронаћи у истој категорији: Погледајте алтернативе

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.

Напредне поставке (3)

Transcript of the reference clip (improves quality)

Резултат
Генерисани говор се појављује овде.

Овај покрет

Без цене – тренутно недоступно.

Нов си овде?

10 бесплатних кредита (0,10 US$) када се пријавиш са Google

Употребљиво 24 сати после пријаве, до 5 покрета дневно и највише 2 кредита по покрету. Други начини пријаве почињу без кредита.

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

О F5-TTS

УкраткоСтање: 23. септембар 2026.

F5-TTS је модел од X-LANCE (SJTU) из категорије Синтеза говора. F5-TTS тренутно није доступан на Railwail-у.

Позадина

О SWivid (Shanghai Jiao Tong University et al.)

Основано 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.

Посетите 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 токена

Могућности

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

Позната ограничења

  • 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

Цене

Тренутно недоступно: овај модел је деактивиран. За овај модел тренутно нема цене, па се не може покренути.

06

API

Позови F5-TTS са твојим Railwail API кључем. Користи овај ID модела у захтеву:

Нема верификованог API примера

Јавни API прослеђује другачији формат улаза него што овај модел треба. Користите playground изнад.

07

Спецификације

ID модела
f5-tts
Програмер
X-LANCE (SJTU)
Категорија
Синтеза говора
Унос
Текст
Излаз
Аудио
Величина модела
~330M (Base) and ~1.4B (Large)
Лиценца
Code and weights under MIT licence; commercial use permitted.
Унос у каталог ажуриран
23. септембар 2026.

Параметри уноса

Уноси и подешавања из шеме уноса модела. Пример у API одељку показује које од њих API прихвата.

  • audioобавезно

    Reference clip to clone; requires consent

    Тип: –
    Подразумевано: –
    Дозвољене вредности: –
  • gen_textобавезно

    Text to speak in the cloned voice

    Тип: Текст
    Подразумевано: –
    Дозвољене вредности: до 4.000 карактера
  • speed
    Тип: Број
    Подразумевано: 1
    Дозвољене вредности: 0,1 до 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Тип: Текст
    Подразумевано: –
    Дозвољене вредности: –
  • remove_silence
    Тип: Да/Не
    Подразумевано: true
    Дозвољене вредности: –

Ознаке

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

Области примене

За шта 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 постављана питања

Шта је F5-TTS?

F5-TTS је модел од X-LANCE (SJTU) у категорији Синтеза говора. Наведен је на Railwail-у, али се тренутно не може покренути.

Колико кошта F5-TTS на Railwail-у?

F5-TTS се тренутно не може покренути на Railwail-у, па нема тренутне цене. Доступне алтернативе са ценама су наведене даље на овој страници.

Које поставке подржава F5-TTS?

Према својој шеми уноса, F5-TTS познаје ове параметре: audio, gen_text (до 4.000 карактера), speed (0,1 до 3), ref_text и remove_silence.

Колико је брз F5-TTS?

За F5-TTS на Railwail-у још нема довољно измерених покретања да би се наводило време извршавања. Зависи од уноса, поставки и оптерећења код пружаоца услуге.

Да ли је F5-TTS бољи од AudioLDM 2?

То зависи од задатка. F5-TTS (X-LANCE (SJTU)) и AudioLDM 2 (Haohe Liu) су оба модела у категорији Синтеза говора. Страница за поређење приказује њихове цене и спецификације упоредо.

Упоредите F5-TTS и AudioLDM 2

Могу ли да користим F5-TTS управо сада?

Тренутно недоступно: овај модел је деактивиран. Страница остаје активна; доступне алтернативе из исте категорије су наведене даље.

Сви модели преко једног API-ја

Један API кључ за сваки модел на Railwail. Употреба се наплаћује из унапред припремљених кредита, 1 кредит = 0,01 US$.