# F5-TTS ou SuperClonica: clonagem zero-shot ou fala rápida no CPU

Atualizado 2026-10-23

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.

## Mais sobre texto para fala

- [Texto para fala que roda no seu próprio computador](https://superclonica.com/pt/text-to-speech)
- [Supertonic vs SuperClonica: o mesmo modelo, mais rápido e limpo](https://superclonica.com/pt/compare/supertonic)
- [Fish Audio e Fish Speech comparados ao SuperClonica](https://superclonica.com/pt/compare/fish-audio)
- [OmniVoice ou SuperClonica: mais idiomas ou mais velocidade](https://superclonica.com/pt/compare/omnivoice)
- [Qwen3-TTS ou SuperClonica para texto para fala local](https://superclonica.com/pt/compare/qwen3-tts)
- [VoxCPM 2 ou SuperClonica: som de estúdio ou velocidade no CPU](https://superclonica.com/pt/compare/voxcpm)
- [Uma alternativa offline ao ElevenLabs](https://superclonica.com/pt/compare/elevenlabs)
- [Kokoro TTS ou SuperClonica: dois modelos pequenos de texto para fala local](https://superclonica.com/pt/compare/kokoro)
- [Piper TTS ou SuperClonica: aparelhos pequenos ou vozes sob medida](https://superclonica.com/pt/compare/piper)
- [Coqui XTTS-v2 ou SuperClonica: uma alternativa ao Coqui TTS](https://superclonica.com/pt/compare/xtts)
- [Chatterbox TTS ou SuperClonica: clonagem na hora ou um arquivo de voz treinado](https://superclonica.com/pt/compare/chatterbox)

## Guias de texto para fala

- [Como converter texto em fala offline no seu computador](https://superclonica.com/pt/guides/offline-text-to-speech)
- [Clonagem de voz: como conseguir uma voz parecida com uma gravação](https://superclonica.com/pt/guides/voice-cloning)
- [Os melhores modelos de texto para fala grátis para uso local em 2026](https://superclonica.com/pt/guides/best-free-tts-models)
- [Texto para fala para vídeos, audiolivros, jogos e apps](https://superclonica.com/pt/guides/text-to-speech-for-videos)
- [Vozes do Supertonic 3: onde conseguir vozes próprias e como usá-las](https://superclonica.com/pt/guides/supertonic-3-voices)
- [Texto para fala em Python: offline, grátis e com vozes naturais](https://superclonica.com/pt/guides/python-text-to-speech)
- [API de texto para fala auto-hospedada no Docker](https://superclonica.com/pt/guides/text-to-speech-api-docker)

## Perguntas frequentes

### O F5-TTS roda no CPU?

Sim, mas devagar. O artigo do ZipVoice mediu RTF de cerca de 37 em uma única thread de CPU; para um CPU de desktop de 16 threads, estimamos de 5 a 15 vezes mais lento que o tempo real.

### Posso usar o F5-TTS comercialmente?

Os modelos pré-treinados oficiais, não: eles têm licença CC-BY-NC por causa dos dados de treino. O código em si está sob MIT.

### Quais idiomas o F5-TTS suporta?

O modelo base oficial foi treinado em chinês e inglês. Modelos da comunidade acrescentam outros idiomas, com qualidade e licenças variadas.

### Qual é uma alternativa mais rápida ao F5-TTS para clonar voz?

Se dá para esperar o treino: uma voz do Supertonic 3 treinada com a sua gravação e rodando no SuperClonica, pela nossa estimativa de 6,4 a 9,7 vezes mais rápido que o tempo real em um CPU de desktop. Se você precisa clonar sem treino, veja o Qwen3-TTS ou o OmniVoice, que se viram com poucos segundos de áudio.

- [Testar vozes feitas para CPU](https://superclonica.com/pt/explore)
- [Instalar o motor](https://superclonica.com/pt/superclonica)

## Fontes

- [Repositório do F5-TTS (GitHub)](https://github.com/SWivid/F5-TTS)
- [Página do modelo F5-TTS (Hugging Face)](https://huggingface.co/SWivid/F5-TTS)
- [Artigo do F5-TTS (arXiv)](https://arxiv.org/abs/2410.06885)
- [Artigo do ZipVoice, tabela II: velocidade no CPU](https://arxiv.org/html/2506.13053v1#S5.T2)
- [Página do modelo Supertonic 3](https://huggingface.co/supertone-oss-archive/supertonic-3)
- [SuperClonica](https://superclonica.com/pt/)
- [Catálogo de vozes de IA para texto em fala](https://superclonica.com/pt/explore)
- [Pedidos de vozes personalizadas](https://superclonica.com/pt/requests)
- [Como funciona: vozes, TTS local e treinamento](https://superclonica.com/pt/guide)
- [Instale o motor rápido para o Supertonic 3](https://superclonica.com/pt/superclonica)
- [Quem somos: entusiastas de TTS](https://superclonica.com/pt/about)
- [Contato, suporte e denúncias de vozes](https://superclonica.com/pt/contacts)
- [Política de privacidade e dados](https://superclonica.com/pt/privacy)
- [Termos de uso da plataforma](https://superclonica.com/pt/terms)
- [Texto para fala](https://superclonica.com/pt/text-to-speech)