{"kind":"compare","slug":"f5-tts","path":"/compare/f5-tts","title":"F5-TTS Alternative: schnelle Sprache auf CPU | SuperClonica","description":"F5-TTS oder SuperClonica: ein Flow-Matching-Modell für Zero-Shot-Klonen gegen eine Supertonic-3-Engine für die CPU. Tempo, Sprachen, Lizenz und Einsatzzwecke.","h1":"F5-TTS oder SuperClonica: Zero-Shot-Klonen oder schnelle Sprache auf der CPU","intro":"F5-TTS ist ein offenes Text-to-Speech-Modell auf Basis von Flow Matching und einem Diffusion Transformer, erstmals im Oktober 2024 veröffentlicht; im März 2025 folgte ein verbessertes v1-Basismodell. Es klont Stimmen zero-shot: Sie geben einen kurzen Referenzclip und dessen Text vor, und das Modell spricht mit dieser Stimme. SuperClonica funktioniert anders. Eine Stimme wird einmal in eine Supertonic-3-Datei trainiert, die danach schnell auf einer gewöhnlichen CPU läuft.\n\nWenn Sie eine F5-TTS-Alternative für die CPU oder für kommerzielle Projekte suchen, ändert sich Folgendes.","sections":[{"heading":"So funktioniert F5-TTS","paragraphs":["F5-TTS ist ein Diffusion Transformer mit ConvNeXt V2, trainiert auf rund 100.000 Stunden öffentlicher mehrsprachiger Daten aus dem Emilia-Datensatz. Das offizielle Basismodell ist das chinesisch-englische. Sie übergeben eine Referenzaufnahme mit Transkript; bleibt das Transkript leer, ergänzt es ein Spracherkennungsmodell, was zusätzlichen GPU-Speicher kostet.","Die Community hat F5-TTS für weitere Sprachen nachtrainiert, das Repository verlinkt diese Modelle. Unsere Tabelle zählt die zwei Sprachen des offiziellen Basismodells."]},{"heading":"F5-TTS-Tempo auf CPU und GPU","paragraphs":["Auf der GPU ist F5-TTS schnell: Das Repository nennt einen Echtzeitfaktor von 0,0402 mit TensorRT-LLM und 0,1467 mit PyTorch auf einer einzelnen NVIDIA L20 bei 16 Schritten.","Auf der CPU ist es das langsamste Modell in unserer Tabelle. Im ZipVoice-Paper wurden 37,284 bei 32 Schritten auf einem einzelnen Thread eines Xeon Platinum 8457C gemessen. Bei einem angenommenen 2,5- bis 7,5-fachen effektiven Gewinn durch eine moderne Desktop-CPU mit 16 Threads ergibt das 5- bis 15-mal langsamer als Echtzeit: 50–150 Sekunden für einen Satz von 10 Sekunden. SuperClonica braucht etwa 1,0–1,6 Sekunden."]},{"heading":"Qualität und Klangstabilität","paragraphs":["Wir bewerten F5-TTS mit 3 von 5 für Qualität und 3 für Klangstabilität, SuperClonica mit 4,5 und 5. Zero-Shot-Klonen baut die Stimme bei jeder Anfrage neu aus der Referenz auf, das Ergebnis hängt also vom Clip ab. Eine trainierte Stimmdatei liefert bei jedem Lauf denselben Ausgangsklang."]},{"heading":"Lizenz: vor kommerzieller Nutzung prüfen","paragraphs":["Der Code von F5-TTS steht unter MIT. Die vortrainierten Modelle sind wegen der Emilia-Trainingsdaten unter CC-BY-NC lizenziert, die offiziellen Gewichte dürfen mit den Standardbedingungen also nicht kommerziell genutzt werden.","Supertonic 3 steht unter OpenRAIL-M, einer gebührenfreien Lizenz mit einer Liste verbotener Nutzungen statt einer Nicht-kommerziell-Klausel. Bei SuperClonica gekaufte Stimmen sind für Ihre eigenen Projekte bestimmt und dürfen nicht weiterverkauft werden."]},{"heading":"Wann F5-TTS die richtige Wahl ist","paragraphs":["SuperClonica eignet sich für Produkte in den 31 Sprachen von Supertonic 3, für Rechner ohne GPU und für lange Texte, bei denen sich das Tempo summiert. F5-TTS passt in diesen Fällen:"],"points":["Forschung und nicht-kommerzielle Experimente mit Zero-Shot-Klonen.","Chinesische oder englische Sprache auf der GPU oder ein Community-Modell für Ihre Sprache.","Ein Klon aus einem Clip, sofort und ohne Training."]}],"faq":[{"question":"Läuft F5-TTS auf der CPU?","answer":"Ja, aber langsam. Das ZipVoice-Paper hat auf einem einzelnen CPU-Thread einen Echtzeitfaktor von etwa 37 gemessen; für eine Desktop-CPU mit 16 Threads schätzen wir 5- bis 15-mal langsamer als Echtzeit."},{"question":"Darf ich F5-TTS kommerziell nutzen?","answer":"Die offiziellen vortrainierten Modelle nicht: Sie stehen wegen der Trainingsdaten unter CC-BY-NC. Der Code selbst ist MIT-lizenziert."},{"question":"Welche Sprachen unterstützt F5-TTS?","answer":"Das offizielle Basismodell wurde mit Chinesisch und Englisch trainiert. Community-Modelle ergänzen weitere Sprachen, Qualität und Lizenzen sind unterschiedlich."},{"question":"Was ist eine schnellere F5-TTS-Alternative zum Stimmenklonen?","answer":"Wenn Sie auf ein Training warten können: eine aus Ihrer Aufnahme trainierte Supertonic-3-Stimme mit SuperClonica, nach unserer Schätzung 6,4- bis 9,7-mal schneller als Echtzeit auf einer Desktop-CPU. Brauchen Sie einen Klon ohne Training, sehen Sie sich Qwen3-TTS oder OmniVoice an, die mit wenigen Sekunden Audio auskommen."}],"cta":{"catalog":"Stimmen für die CPU ausprobieren","install":"Engine installieren"},"sources":[{"label":"F5-TTS-Repository (GitHub)","url":"https://github.com/SWivid/F5-TTS"},{"label":"F5-TTS Model Card (Hugging Face)","url":"https://huggingface.co/SWivid/F5-TTS"},{"label":"F5-TTS-Paper (arXiv)","url":"https://arxiv.org/abs/2410.06885"},{"label":"ZipVoice-Paper, Tabelle II: CPU-Tempo","url":"https://arxiv.org/html/2506.13053v1#S5.T2"},{"label":"Supertonic 3 Model Card","url":"https://huggingface.co/supertone-oss-archive/supertonic-3"}],"published":"2026-10-17","updated":"2026-10-23","pages":[{"slug":"text-to-speech","path":"/text-to-speech","h1":"Text-to-Speech, das auf Ihrem eigenen Rechner läuft"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic vs. SuperClonica: dasselbe Modell, schneller und sauberer"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio und Fish Speech im Vergleich mit SuperClonica"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice oder SuperClonica: mehr Sprachen oder mehr Tempo"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"Qwen3-TTS oder SuperClonica für lokale Sprachsynthese"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 oder SuperClonica: Studioklang oder CPU-Tempo"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS oder SuperClonica: Zero-Shot-Klonen oder schnelle Sprache auf der CPU"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"Eine Offline-Alternative zu ElevenLabs"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS oder SuperClonica: zwei kleine Modelle für lokale Sprachsynthese"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS oder SuperClonica: kleine Geräte oder eigene Stimmen"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 oder SuperClonica: eine Alternative zu Coqui TTS"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS oder SuperClonica: sofortiger Klon oder trainierte Stimmdatei"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"Text offline in Sprache umwandeln: Schritt für Schritt auf Ihrem Rechner"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"Stimme klonen: So bekommen Sie eine Stimme wie in Ihrer Aufnahme"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"Die besten kostenlosen Text-to-Speech-Modelle für den lokalen Einsatz 2026"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"Text-to-Speech für Videos, Hörbücher, Spiele und Apps"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic-3-Stimmen: woher eigene Stimmen kommen und wie Sie sie nutzen"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Text to Speech in Python: offline, kostenlos und mit natürlichen Stimmen"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"Eigene Text-to-Speech-API in Docker"}]}