F5-TTS ou SuperClonica : clonage zero-shot ou synthèse rapide sur CPU
F5-TTS est un modèle de synthèse vocale ouvert fondé sur le flow matching et un Diffusion Transformer, publié pour la première fois en octobre 2024, puis complété en mars 2025 par un modèle de base v1 amélioré. Il clone les voix en zero-shot : vous lui donnez un court extrait de référence et son texte, et il parle avec cette voix. SuperClonica fonctionne autrement. Une voix est entraînée une fois dans un fichier Supertonic 3, qui tourne ensuite vite sur un CPU ordinaire.
Si vous cherchez une alternative à F5-TTS pour le CPU ou pour un usage commercial, voici ce qui change.
Comment fonctionne F5-TTS
F5-TTS est un Diffusion Transformer avec ConvNeXt V2, entraîné sur environ 100 000 heures de données multilingues publiques issues du jeu de données Emilia. Le modèle de base officiel est le modèle chinois-anglais. Vous fournissez un enregistrement de référence et sa transcription ; si la transcription est vide, un modèle de reconnaissance vocale la complète, au prix de mémoire GPU supplémentaire.
La communauté a réentraîné F5-TTS pour d’autres langues, et le dépôt renvoie vers ces modèles. Notre tableau retient les deux langues du modèle de base officiel.
Vitesse de F5-TTS sur CPU et sur GPU
Sur GPU, F5-TTS est rapide : le dépôt indique un RTF de 0,0402 avec TensorRT-LLM et de 0,1467 avec PyTorch sur une seule NVIDIA L20, à 16 étapes.
Sur CPU, c’est le modèle le plus lent de notre tableau. L’article sur ZipVoice a mesuré 37,284 à 32 étapes sur un seul thread d’un Xeon Platinum 8457C. En supposant un gain effectif de 2,5 à 7,5 fois avec un CPU de bureau moderne à 16 threads, on obtient 5 à 15 fois plus lent que le temps réel : 50 à 150 secondes pour une phrase de 10 secondes. SuperClonica a besoin de 1,0 à 1,6 seconde environ.
Qualité et stabilité du timbre
Nous donnons à F5-TTS 3 sur 5 pour la qualité et 3 pour la stabilité du timbre, contre 4,5 et 5 pour SuperClonica. Le clonage zero-shot reconstruit la voix à partir de la référence à chaque requête : le résultat dépend donc de l’extrait. Un fichier de voix entraîné part du même timbre à chaque fois.
Licence : à vérifier avant un usage commercial
Le code de F5-TTS est sous licence MIT. Les modèles pré-entraînés sont sous CC-BY-NC à cause des données d’entraînement Emilia : avec les conditions par défaut, les poids officiels ne peuvent pas servir à un usage commercial.
Supertonic 3 est sous OpenRAIL-M, une licence gratuite qui liste des usages interdits au lieu d’une clause non commerciale. Les voix achetées sur SuperClonica servent à vos propres projets et ne peuvent pas être revendues.
Quand choisir F5-TTS
SuperClonica convient aux produits dans les 31 langues de Supertonic 3, aux machines sans GPU et aux textes longs, où chaque seconde gagnée s’additionne. F5-TTS est le bon choix dans ces cas :
- Recherche et expérimentations non commerciales sur le clonage zero-shot.
- Voix en chinois ou en anglais sur GPU, ou modèle communautaire pour votre langue.
- Un clone à partir d’un extrait, tout de suite, sans étape d’entraînement.