F5-TTS ou SuperClonica: clonagem zero-shot ou fala rápida no CPU
O F5-TTS é um modelo aberto de texto para fala baseado em flow matching e em um Diffusion Transformer, lançado em outubro de 2024 e atualizado com um modelo base v1 melhorado em março de 2025. Ele clona vozes em zero-shot: você passa um trecho curto de referência com o texto, e ele fala com aquela voz. O SuperClonica funciona de outro jeito. A voz é treinada uma vez em um arquivo do Supertonic 3, que depois roda rápido em um CPU comum.
Se você procura uma alternativa ao F5-TTS para CPU ou para uso comercial, veja o que muda.
Como o F5-TTS funciona
O F5-TTS é um Diffusion Transformer com ConvNeXt V2, treinado com cerca de 100 mil horas de dados públicos multilíngues do conjunto Emilia. O modelo base oficial é o de chinês e inglês. Você fornece uma gravação de referência e a transcrição; se a transcrição ficar vazia, um modelo de reconhecimento de fala preenche, ao custo de mais memória de GPU.
A comunidade retreinou o F5-TTS para outros idiomas, e o repositório traz links para esses modelos. Nossa tabela conta os dois idiomas do modelo base oficial.
Velocidade do F5-TTS no CPU e na GPU
Na GPU, o F5-TTS é rápido: o repositório informa RTF de 0,0402 com TensorRT-LLM e 0,1467 com PyTorch em uma única NVIDIA L20, com 16 passos.
No CPU, é o modelo mais lento da nossa tabela. O artigo do ZipVoice mediu 37,284 com 32 passos em uma única thread de um Xeon Platinum 8457C. Supondo um ganho efetivo de 2,5 a 7,5 vezes com um CPU de desktop moderno de 16 threads, o resultado fica de 5 a 15 vezes mais lento que o tempo real: de 50 a 150 segundos para uma frase de 10 segundos. O SuperClonica precisa de cerca de 1,0 a 1,6 segundo.
Qualidade e estabilidade do timbre
Damos ao F5-TTS 3 de 5 em qualidade e 3 em estabilidade do timbre, contra 4,5 e 5 do SuperClonica. A clonagem zero-shot reconstrói a voz a partir da referência a cada pedido, então o resultado depende do trecho. Um arquivo de voz treinado parte do mesmo timbre toda vez.
Licença: confira antes do uso comercial
O código do F5-TTS está sob MIT. Os modelos pré-treinados têm licença CC-BY-NC por causa dos dados de treino do Emilia, então, nos termos padrão, os pesos oficiais não podem ser usados comercialmente.
O Supertonic 3 usa a OpenRAIL-M, uma licença gratuita com uma lista de usos proibidos em vez de uma cláusula não comercial. As vozes compradas no SuperClonica são para os seus próprios projetos e não podem ser revendidas.
Quando escolher o F5-TTS
O SuperClonica serve para produtos nos 31 idiomas do Supertonic 3, para computadores sem GPU e para textos longos, em que a velocidade vira horas. O F5-TTS é melhor nestes casos:
- Pesquisa e testes não comerciais de clonagem zero-shot.
- Fala em chinês ou inglês na GPU, ou um modelo da comunidade para o seu idioma.
- Um clone a partir de um trecho agora mesmo, sem etapa de treino.