{"kind":"compare","slug":"f5-tts","path":"/compare/f5-tts","title":"F5-TTS 替代方案：CPU 上更快的声音克隆 | SuperClonica","description":"F5-TTS 与 SuperClonica 对比：基于流匹配的零样本声音克隆，还是面向 CPU 的 Supertonic 3 引擎？速度、语言、许可证和适用场景。","h1":"F5-TTS 与 SuperClonica：零样本克隆还是 CPU 上的快速合成","intro":"F5-TTS 是基于流匹配（flow matching）和 Diffusion Transformer 的开源语音合成模型，2024 年 10 月首次发布，2025 年 3 月推出改进的 v1 基础模型。它支持零样本声音克隆：给一段简短的参考音频和对应文本，就能用这个声音说话，官方基础模型支持中文和英文。SuperClonica 的思路不同：先把声音训练成一个 Supertonic 3 音色文件，之后在普通 CPU 上就能快速运行，但目前不支持中文。\n\n如果您在找能在 CPU 上跑、或者能商用的 F5-TTS 替代方案，下面是需要知道的区别。","sections":[{"heading":"F5-TTS 的工作方式","paragraphs":["F5-TTS 是结合 ConvNeXt V2 的 Diffusion Transformer，使用 Emilia 数据集中约 10 万小时的公开多语言数据训练。官方基础模型为中英双语。使用时提供参考录音和对应文本；如果文本留空，会调用语音识别模型自动转写，但会多占用显存。","社区还针对其他语言做了微调，仓库中有相应链接。我们的表按官方基础模型计为 2 种语言。"]},{"heading":"F5-TTS 在 CPU 和 GPU 上的速度","paragraphs":["在 GPU 上 F5-TTS 很快：仓库数据显示，在单张 NVIDIA L20 上、16 步时，用 TensorRT-LLM 的 RTF 为 0.0402，用 PyTorch 为 0.1467。","在 CPU 上，它是我们表里最慢的模型。ZipVoice 论文在 Xeon Platinum 8457C 的单线程上、32 步时测得 RTF 为 37.284。假设一台现代 16 线程台式机 CPU 能带来 2.5–7.5 倍的有效加速，结果是比实时慢 5–15 倍：一句 10 秒的话要 50–150 秒。SuperClonica 约 1.0–1.6 秒。"]},{"heading":"音质与音色稳定性","paragraphs":["我们给 F5-TTS 的音质打 3 分、音色稳定性 3 分（满分 5 分），SuperClonica 分别为 4.5 分和 5 分。零样本克隆每次请求都要从参考音频重建声音，结果取决于所给的音频；训练好的音色文件则每次都从同一个音色出发。"]},{"heading":"许可证：商用前务必确认","paragraphs":["F5-TTS 的代码采用 MIT 许可证，但由于训练数据 Emilia 的限制，预训练模型采用 CC-BY-NC 许可证，按默认条款官方权重不能商用。","Supertonic 3 采用 OpenRAIL-M 许可证：免费，没有“仅限非商业”条款，而是列出了禁止用途。在 SuperClonica 购买的音色用于您自己的项目，不能转售。"]},{"heading":"什么时候选 F5-TTS","paragraphs":["如果产品使用 Supertonic 3 支持的 31 种语言、设备没有 GPU，或者要处理速度差距会累积成几个小时的长文本，SuperClonica 更合适。以下情况则更适合 F5-TTS："],"points":["零样本克隆相关的研究和非商业实验。","在 GPU 上生成中文或英文语音，或使用社区为您的语言微调的模型。","现在就要用一段音频克隆声音，不想经过训练。"]}],"faq":[{"question":"F5-TTS 能在 CPU 上运行吗？","answer":"能，但很慢。ZipVoice 论文在单个 CPU 线程上测得 RTF 约 37；对于 16 线程的台式机 CPU，我们估计比实时慢 5–15 倍。"},{"question":"F5-TTS 可以商用吗？","answer":"官方预训练模型不行：由于训练数据的原因，它们采用 CC-BY-NC 许可证。代码本身是 MIT 许可证。"},{"question":"F5-TTS 支持哪些语言？","answer":"官方基础模型使用中文和英文训练。其他语言由社区模型补充，质量和许可证各不相同。"},{"question":"做声音克隆，有比 F5-TTS 更快的选择吗？","answer":"如果能接受先训练、且目标语言在 Supertonic 3 支持范围内，可以用自己的录音训练 Supertonic 3 音色，再用 SuperClonica 运行，按我们的估算在台式机 CPU 上是实时的 6.4–9.7 倍。如果需要免训练克隆或中文语音，可以看看 Qwen3-TTS 或 OmniVoice，几秒音频就够了。"}],"cta":{"catalog":"试用面向 CPU 的音色","install":"安装引擎"},"sources":[{"label":"F5-TTS 代码仓库（GitHub）","url":"https://github.com/SWivid/F5-TTS"},{"label":"F5-TTS 模型卡（Hugging Face）","url":"https://huggingface.co/SWivid/F5-TTS"},{"label":"F5-TTS 论文（arXiv）","url":"https://arxiv.org/abs/2410.06885"},{"label":"ZipVoice 论文表 II：CPU 速度","url":"https://arxiv.org/html/2506.13053v1#S5.T2"},{"label":"Supertonic 3 模型卡","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":"在自己电脑上运行的语音合成"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic 与 SuperClonica：同一模型，更快更干净"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio、Fish Speech 与 SuperClonica 对比"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice 与 SuperClonica：语言更多，还是速度更快"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"本地语音合成：Qwen3-TTS 还是 SuperClonica"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 与 SuperClonica：录音棚音质还是 CPU 速度"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS 与 SuperClonica：零样本克隆还是 CPU 上的快速合成"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"可离线使用的 ElevenLabs 替代方案"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS 与 SuperClonica：两个小模型的本地语音合成"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS 与 SuperClonica：小设备还是定制音色"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 与 SuperClonica：Coqui TTS 的替代方案"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS 与 SuperClonica：即时克隆还是训练好的音色文件"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"如何在自己的电脑上离线把文字转成语音"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"声音克隆：如何得到一个像录音里那样的声音"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"2026 年适合本地运行的免费语音合成模型"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"为视频、有声书、游戏和应用做文字转语音配音"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic 3 音色：自定义音色的来源与使用方法"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Python 文字转语音：离线、免费、自然的音色"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"在 Docker 中自建文字转语音 API"}]}