F5-TTS

Sprachsyntes (TTS)Inte tillgÀnglig
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
Inte tillgÀnglig
Inmatning → utmatning
Text → Audio
Utvecklare
X-LANCE (SJTU)
Uppdaterad
23 september 2026

F5-TTS Àr för nÀrvarande otillgÀnglig

Inte tillgÀnglig för nÀrvarande: denna modell Àr inaktiverad.

Du kan fortfarande lÀsa detaljerna pÄ denna sida. VÀlj ett av de tillgÀngliga alternativen nedan för att köra en jÀmförbar modell direkt.

GĂ„ till alternativ
01

JÀmförbara modeller

Alla i denna kategori
  • 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$/körning

  • 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$/körning

  • OpenVoice v2Community

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

    ≈ 0,0673 US$/körning

02

Playground

Prova F5-TTS

Inmatning & resultat

Inte tillgÀnglig för nÀrvarande

Inte tillgÀnglig för nÀrvarande: denna modell Àr inaktiverad.

Lekplatsen Àr inaktiverad. Du hittar jÀmförbara modeller i samma kategori: Visa alternativ

Prova 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.

Avancerade instÀllningar (3)

Transcript of the reference clip (improves quality)

Resultat
Det genererade talet visas hÀr.

Denna körning

Inget pris – för nĂ€rvarande otillgĂ€ngligt.

Ny hÀr?

10 gratis credits (0,10 US$) nÀr du registrerar dig med Google

AnvÀndbar 24 timmar efter registrering, upp till 5 körningar per dag och högst 2 credits per körning. Andra inloggningsmetoder startar utan 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 sagtFrÄn och med 23 september 2026

F5-TTS Àr en modell av X-LANCE (SJTU) i kategorin Sprachsyntes (TTS). F5-TTS Àr för nÀrvarande inte tillgÀnglig pÄ Railwail.

Bakgrund

Om SWivid (Shanghai Jiao Tong University et al.)

Grundat 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.

Besök 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.

Parameter
~330M (Base) and ~1.4B (Large)
Kontext
30 tokens

Funktioner

  • 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

TrÀning & licens

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.

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

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

KÀnda begrÀnsningar

  • 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

Inte tillgÀnglig för nÀrvarande: denna modell Àr inaktiverad. Det finns ingen pris för denna modell för nÀrvarande, sÄ den kan inte köras.

06

API

Anropa F5-TTS med din Railwail API-nyckel. AnvÀnd detta modell-ID i begÀran:

Inget verifierat API-exempel

Det offentliga API:et skickar ett annat inmatningsformat Àn vad denna modell behöver. AnvÀnd lekplatsen ovan.

07

Specifikationer

Modell-ID
f5-tts
Utvecklare
X-LANCE (SJTU)
Inmatning
Text
Utmatning
Audio
Modellstorlek
~330M (Base) and ~1.4B (Large)
Licens
Code and weights under MIT licence; commercial use permitted.
KataloginlÀgg uppdaterat
23 september 2026

Indataparametrar

Inmatningar och instÀllningar frÄn modellens indataschema. Exemplet i API-avsnittet visar vilka som API:et accepterar.

  • audioobligatorisk

    Reference clip to clone; requires consent

    Typ: –
    Standard: –
    TillĂ„tna vĂ€rden: –
  • gen_textobligatorisk

    Text to speak in the cloned voice

    Typ: Text
    Standard: –
    TillÄtna vÀrden: upp till 4 000 tecken
  • speed
    Typ: Tal
    Standard: 1
    TillÄtna vÀrden: 0,1 till 3
  • ref_text

    Transcript of the reference clip (improves quality)

    Typ: Text
    Standard: –
    TillĂ„tna vĂ€rden: –
  • remove_silence
    Typ: Ja/Nej
    Standard: true
    TillĂ„tna vĂ€rden: –

Taggar

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

AnvÀndningsfall

Vad det anvÀnds till

  • 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

Vanliga frÄgor

Vad Àr F5-TTS?

F5-TTS Àr en modell av X-LANCE (SJTU) i kategorin Sprachsyntes (TTS). Den finns i Railwail-katalogen men kan inte köras för nÀrvarande.

Vad kostar F5-TTS pÄ Railwail?

F5-TTS kan inte köras pÄ Railwail för nÀrvarande, sÄ det finns inget aktuellt pris. TillgÀngliga alternativ med priser visas lÀngre ned pÄ denna sida.

Vilka instÀllningar stöder F5-TTS?

Enligt sitt inmatningsschema kÀnner F5-TTS till dessa parametrar: audio, gen_text (upp till 4 000 tecken), speed (0,1 till 3), ref_text och remove_silence.

Hur snabb Àr F5-TTS?

Det finns Ànnu inte tillrÀckligt mÄnga uppmÀtta körningar av F5-TTS pÄ Railwail för att ange en körningstid. Det beror pÄ inmatningen, instÀllningarna och belastningen hos leverantören.

Är F5-TTS bĂ€ttre Ă€n AudioLDM 2?

Det beror pÄ uppgiften. F5-TTS (X-LANCE (SJTU)) och AudioLDM 2 (Haohe Liu) Àr bÄda modeller i kategorin Sprachsyntes (TTS). JÀmförelsesidan visar deras priser och specifikationer sida vid sida.

JÀmför F5-TTS och AudioLDM 2

Kan jag anvÀnda F5-TTS just nu?

Inte tillgÀnglig för nÀrvarande: denna modell Àr inaktiverad. Sidan förblir online; tillgÀngliga alternativ frÄn samma kategori visas lÀngre ned.

Alla modeller via ett API

En API-nyckel för alla modeller pÄ Railwail. AnvÀndningen debiteras frÄn förbetald kredit, 1 kredit = 0,01 US$.