{"kind":"compare","slug":"f5-tts","path":"/compare/f5-tts","title":"F5-TTSの代替：CPUで速いボイスクローン | SuperClonica","description":"F5-TTSとSuperClonicaを比較。フローマッチングによるゼロショットのボイスクローンか、CPU向けのSupertonic 3エンジンか。速度、言語、ライセンス、用途。","h1":"F5-TTSとSuperClonica：ゼロショットのクローンか、CPUでの高速読み上げか","intro":"F5-TTSは、フローマッチングとDiffusion Transformerにもとづくオープンな音声合成モデルです。2024年10月に初公開され、2025年3月に改良版のv1ベースモデルが出ました。ゼロショットで声をクローンでき、短い参考音声とそのテキストを渡せば、その声で話します。SuperClonicaの仕組みは違い、声を一度Supertonic 3のファイルに学習させ、あとは普通のCPUで速く動かします。\n\nCPUで使える、あるいは商用で使えるF5-TTSの代替を探しているなら、何が変わるかを以下にまとめました。","sections":[{"heading":"F5-TTSの仕組み","paragraphs":["F5-TTSはConvNeXt V2を組み合わせたDiffusion Transformerで、Emiliaデータセットの公開多言語データ約10万時間で学習されています。公式のベースモデルは中国語・英語版です。参考音声と書き起こしを渡して使い、書き起こしを空にすると音声認識モデルが補いますが、そのぶんGPUメモリを余計に使います。","コミュニティによって他の言語向けに追加学習されたモデルもあり、リポジトリからリンクされています。当社の表では、公式ベースモデルの2言語として数えています。"]},{"heading":"CPUとGPUでのF5-TTSの速度","paragraphs":["GPUではF5-TTSは高速です。リポジトリによると、NVIDIA L20 1枚・16ステップで、TensorRT-LLMならRTF 0.0402、PyTorchなら0.1467です。","CPUでは当社の表で最も遅いモデルです。ZipVoiceの論文では、Xeon Platinum 8457Cの1スレッド・32ステップでRTF 37.284が計測されています。最新の16スレッドのデスクトップCPUで実効2.5〜7.5倍速くなると仮定すると、リアルタイムより5〜15倍遅い計算になり、10秒の文に50〜150秒かかります。SuperClonicaなら約1.0〜1.6秒です。"]},{"heading":"品質と声色の安定性","paragraphs":["当社の評価では、F5-TTSは品質が5点満点中3点、声色の安定性も3点で、SuperClonicaは4.5点と5点です。ゼロショットのクローンはリクエストのたびに参考音声から声を組み立て直すため、結果は渡す音声に左右されます。学習済みの音声ファイルなら、毎回同じ声色から始められます。"]},{"heading":"ライセンス：商用利用の前に確認を","paragraphs":["F5-TTSのコードはMITライセンスです。一方、学習済みモデルは学習データEmiliaの都合でCC-BY-NCライセンスとなっており、標準の条件では公式の重みを商用利用できません。","Supertonic 3はOpenRAIL-Mで、非商用条項ではなく禁止用途のリストを定めた無償のライセンスです。SuperClonicaで購入した音声は自分のプロジェクト用で、転売はできません。"]},{"heading":"F5-TTSを選ぶべき場面","paragraphs":["Supertonic 3の31言語の製品、GPUのないPC、速度の差が何時間にもなる長文なら、SuperClonicaが向いています。次のような場合はF5-TTSが合っています。"],"points":["ゼロショットのクローンを使った研究や非商用の実験。","GPUでの中国語・英語の音声、または自分の言語向けのコミュニティモデル。","学習の手間なしに、いますぐ短い音声からクローンを作りたい。"]}],"faq":[{"question":"F5-TTSはCPUで動きますか？","answer":"動きますが遅いです。ZipVoiceの論文ではCPU 1スレッドでRTF約37が計測されており、16スレッドのデスクトップCPUでもリアルタイムより5〜15倍遅いと当社は見積もっています。"},{"question":"F5-TTSは商用利用できますか？","answer":"公式の学習済みモデルはできません。学習データの都合でCC-BY-NCライセンスになっているためです。コード自体はMITです。"},{"question":"F5-TTSはどの言語に対応していますか？","answer":"公式のベースモデルは中国語と英語で学習されています。他の言語はコミュニティのモデルで追加されていますが、品質やライセンスはモデルごとに異なります。"},{"question":"ボイスクローンで、F5-TTSより速い代替はありますか？","answer":"学習を待てるなら、自分の録音で学習したSupertonic 3の音声をSuperClonicaで動かす方法があります。当社の見積もりでは、デスクトップCPUでリアルタイムの6.4〜9.7倍速です。学習なしでクローンしたいなら、数秒の音声で済むQwen3-TTSやOmniVoiceを検討してください。"}],"cta":{"catalog":"CPU向けの音声を試す","install":"エンジンをインストール"},"sources":[{"label":"F5-TTS リポジトリ（GitHub）","url":"https://github.com/SWivid/F5-TTS"},{"label":"F5-TTS モデルカード（Hugging Face）","url":"https://huggingface.co/SWivid/F5-TTS"},{"label":"F5-TTS 論文（arXiv）","url":"https://arxiv.org/abs/2410.06885"},{"label":"ZipVoice 論文 表II：CPUでの速度","url":"https://arxiv.org/html/2506.13053v1#S5.T2"},{"label":"Supertonic 3 モデルカード","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":"自分のPCで動く音声合成・テキスト読み上げ"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic と SuperClonica：同じモデルで、より速く、よりクリーンに"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio・Fish SpeechとSuperClonicaの比較"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoiceとSuperClonica：言語の多さか、速度か"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"ローカル音声合成ならQwen3-TTSかSuperClonicaか"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2とSuperClonica：スタジオ品質か、CPUでの速度か"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTSとSuperClonica：ゼロショットのクローンか、CPUでの高速読み上げか"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"オフラインで使えるElevenLabsの代替"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTSとSuperClonica：ローカル音声合成の小型モデル2つ"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTSとSuperClonica：小型デバイスか、オリジナル音声か"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2とSuperClonica：Coqui TTSの代替として"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTSとSuperClonica：即時クローンか、学習済みの音声ファイルか"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"自分のPCでテキストをオフライン読み上げする方法"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"ボイスクローン：録音の声に近い音声を手に入れる方法"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"2026年、ローカルで使える無料の音声合成モデル"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"動画、オーディオブック、ゲーム、アプリのテキスト読み上げ"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic 3 の音声：カスタム音声の入手先と使い方"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Pythonで音声合成：オフライン・無料・自然な声で"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"Dockerで動かすセルフホスト音声合成API"}]}