F5-TTS oder SuperClonica: Zero-Shot-Klonen oder schnelle Sprache auf der CPU
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.
Wenn Sie eine F5-TTS-Alternative für die CPU oder für kommerzielle Projekte suchen, ändert sich Folgendes.
So funktioniert F5-TTS
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.
F5-TTS-Tempo auf CPU und GPU
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.
Qualität und Klangstabilität
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.
Lizenz: vor kommerzieller Nutzung prüfen
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.
Wann F5-TTS die richtige Wahl ist
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:
- 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.