# F5-TTS o SuperClonica: clonación zero-shot o voz rápida en CPU

Actualizado 2026-10-23

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.

## Más sobre texto a voz

- [Texto a voz que funciona en tu propio equipo](https://superclonica.com/es/text-to-speech)
- [Supertonic vs SuperClonica: el mismo modelo, más rápido y limpio](https://superclonica.com/es/compare/supertonic)
- [Fish Audio y Fish Speech frente a SuperClonica](https://superclonica.com/es/compare/fish-audio)
- [OmniVoice o SuperClonica: más idiomas o más velocidad](https://superclonica.com/es/compare/omnivoice)
- [Qwen3-TTS o SuperClonica para texto a voz en local](https://superclonica.com/es/compare/qwen3-tts)
- [VoxCPM 2 o SuperClonica: sonido de estudio o velocidad en CPU](https://superclonica.com/es/compare/voxcpm)
- [Una alternativa a ElevenLabs que funciona sin conexión](https://superclonica.com/es/compare/elevenlabs)
- [Kokoro TTS o SuperClonica: dos modelos pequeños de texto a voz local](https://superclonica.com/es/compare/kokoro)
- [Piper TTS o SuperClonica: dispositivos pequeños o voces propias](https://superclonica.com/es/compare/piper)
- [Coqui XTTS-v2 o SuperClonica: una alternativa a Coqui TTS](https://superclonica.com/es/compare/xtts)
- [Chatterbox TTS o SuperClonica: clonación al instante o un archivo de voz entrenado](https://superclonica.com/es/compare/chatterbox)

## Guías de texto a voz

- [Cómo convertir texto a voz sin conexión en tu ordenador](https://superclonica.com/es/guides/offline-text-to-speech)
- [Clonación de voz: cómo conseguir una voz parecida a una grabación](https://superclonica.com/es/guides/voice-cloning)
- [Los mejores modelos de texto a voz gratis para usar en local en 2026](https://superclonica.com/es/guides/best-free-tts-models)
- [Texto a voz para vídeos, audiolibros, juegos y apps](https://superclonica.com/es/guides/text-to-speech-for-videos)
- [Voces de Supertonic 3: dónde conseguir voces propias y cómo usarlas](https://superclonica.com/es/guides/supertonic-3-voices)
- [Texto a voz en Python: sin conexión, gratis y con voces naturales](https://superclonica.com/es/guides/python-text-to-speech)
- [API de texto a voz autoalojada en Docker](https://superclonica.com/es/guides/text-to-speech-api-docker)

## Preguntas frecuentes

### ¿F5-TTS funciona en CPU?

Sí, pero despacio. El artículo de ZipVoice midió un RTF de unos 37 en un solo hilo de CPU; para una CPU de sobremesa de 16 hilos estimamos de 5 a 15 veces más lento que el tiempo real.

### ¿Puedo usar F5-TTS con fines comerciales?

Los modelos preentrenados oficiales, no: tienen licencia CC-BY-NC por sus datos de entrenamiento. El código sí está bajo MIT.

### ¿Qué idiomas admite F5-TTS?

El modelo base oficial se entrenó en chino e inglés. Los modelos de la comunidad añaden otros idiomas, con calidad y licencias variables.

### ¿Qué alternativa más rápida a F5-TTS hay para clonar voz?

Si puedes esperar al entrenamiento: una voz de Supertonic 3 entrenada con tu grabación y ejecutada con SuperClonica, según nuestra estimación de 6,4 a 9,7 veces más rápido que el tiempo real en una CPU de sobremesa. Si necesitas clonar sin entrenar, mira Qwen3-TTS u OmniVoice, que se conforman con unos segundos de audio.

- [Probar voces pensadas para CPU](https://superclonica.com/es/explore)
- [Instalar el motor](https://superclonica.com/es/superclonica)

## Fuentes

- [Repositorio de F5-TTS (GitHub)](https://github.com/SWivid/F5-TTS)
- [Ficha del modelo F5-TTS (Hugging Face)](https://huggingface.co/SWivid/F5-TTS)
- [Artículo de F5-TTS (arXiv)](https://arxiv.org/abs/2410.06885)
- [Artículo de ZipVoice, tabla II: velocidad en CPU](https://arxiv.org/html/2506.13053v1#S5.T2)
- [Ficha del modelo Supertonic 3](https://huggingface.co/supertone-oss-archive/supertonic-3)
- [SuperClonica](https://superclonica.com/es/)
- [Catálogo de voces IA para texto a voz](https://superclonica.com/es/explore)
- [Encargos de voces personalizadas](https://superclonica.com/es/requests)
- [Guía: voces, TTS local y entrenamiento](https://superclonica.com/es/guide)
- [Instala el motor rápido para Supertonic 3](https://superclonica.com/es/superclonica)
- [Quiénes somos: entusiastas del TTS](https://superclonica.com/es/about)
- [Contacto, soporte y quejas sobre voces](https://superclonica.com/es/contacts)
- [Política de privacidad y datos](https://superclonica.com/es/privacy)
- [Términos de uso de la plataforma](https://superclonica.com/es/terms)
- [Texto a voz](https://superclonica.com/es/text-to-speech)