F5-TTS o SuperClonica: clonación zero-shot o voz rápida en CPU
F5-TTS es un modelo abierto de texto a voz basado en flow matching y un Diffusion Transformer, publicado por primera vez en octubre de 2024 y mejorado con un modelo base v1 en marzo de 2025. Clona voces en zero-shot: le das un clip de referencia corto con su texto y habla con esa voz. SuperClonica funciona de otra manera. La voz se entrena una vez en un archivo de Supertonic 3, que después funciona rápido en una CPU normal.
Si buscas una alternativa a F5-TTS para CPU o para uso comercial, esto es lo que cambia.
Cómo funciona F5-TTS
F5-TTS es un Diffusion Transformer con ConvNeXt V2, entrenado con unas 100 000 horas de datos públicos multilingües del conjunto Emilia. El modelo base oficial es el de chino e inglés. Le pasas una grabación de referencia y su transcripción; si la dejas vacía, un modelo de reconocimiento de voz la rellena, a costa de más memoria de GPU.
La comunidad ha reentrenado F5-TTS para otros idiomas, y el repositorio enlaza esos modelos. Nuestra tabla cuenta los dos idiomas del modelo base oficial.
Velocidad de F5-TTS en CPU y en GPU
En GPU, F5-TTS es rápido: el repositorio indica un RTF de 0,0402 con TensorRT-LLM y de 0,1467 con PyTorch en una sola NVIDIA L20, con 16 pasos.
En CPU es el modelo más lento de nuestra tabla. El artículo de ZipVoice midió 37,284 con 32 pasos en un solo hilo de un Xeon Platinum 8457C. Suponiendo una ganancia efectiva de 2,5 a 7,5 veces con una CPU de sobremesa moderna de 16 hilos, sale de 5 a 15 veces más lento que el tiempo real: entre 50 y 150 segundos para una frase de 10 segundos. SuperClonica necesita unos 1,0–1,6 segundos.
Calidad y estabilidad del timbre
Damos a F5-TTS un 3 sobre 5 en calidad y un 3 en estabilidad del timbre, frente a 4,5 y 5 de SuperClonica. La clonación zero-shot reconstruye la voz a partir de la referencia en cada petición, así que el resultado depende del clip. Un archivo de voz entrenado parte del mismo timbre cada vez.
Licencia: revísala antes del uso comercial
El código de F5-TTS está bajo MIT. Los modelos preentrenados tienen licencia CC-BY-NC por los datos de entrenamiento de Emilia, así que con las condiciones por defecto los pesos oficiales no se pueden usar con fines comerciales.
Supertonic 3 usa OpenRAIL-M, una licencia gratuita con una lista de usos prohibidos en lugar de una cláusula no comercial. Las voces compradas en SuperClonica son para tus propios proyectos y no se pueden revender.
Cuándo elegir F5-TTS
SuperClonica encaja en productos en los 31 idiomas de Supertonic 3, en equipos sin GPU y en textos largos, donde la velocidad se nota en horas. F5-TTS es mejor en estos casos:
- Investigación y pruebas no comerciales de clonación zero-shot.
- Voz en chino o inglés en GPU, o un modelo de la comunidad para tu idioma.
- Un clon a partir de un clip ahora mismo, sin paso de entrenamiento.