F5-TTS или SuperClonica: клонирование без обучения или быстрая речь на CPU
F5-TTS — открытая модель синтеза речи на основе flow matching и диффузионного трансформера. Она вышла в октябре 2024 года, а в марте 2025-го появилась улучшенная базовая модель v1. F5-TTS клонирует голос без обучения: даёте короткую запись и её текст, и модель говорит этим голосом. SuperClonica устроена иначе: голос один раз обучают в файл Supertonic 3, и дальше он быстро работает на обычном процессоре.
Если вы ищете альтернативу F5-TTS для CPU или для коммерческого проекта, вот что изменится.
Как устроена F5-TTS
F5-TTS — диффузионный трансформер с ConvNeXt V2, обученный примерно на 100 тысячах часов открытых многоязычных данных из набора Emilia. Официальная базовая модель — китайско-английская. На вход подаются референсная запись и её текст; если текст не указать, его распознает отдельная ASR-модель, и понадобится больше видеопамяти.
Сообщество дообучало F5-TTS для других языков, ссылки на такие модели есть в репозитории. В нашей таблице учтены два языка официальной базовой модели.
Скорость F5-TTS на CPU и видеокарте
На видеокарте F5-TTS быстрая: в репозитории указан RTF 0,0402 с TensorRT-LLM и 0,1467 с PyTorch на одной NVIDIA L20 при 16 шагах.
На CPU это самая медленная модель в нашей таблице. В статье о ZipVoice намерили RTF 37,284 при 32 шагах на одном потоке Xeon Platinum 8457C. Если современный 16-поточный настольный процессор даёт эффективное ускорение в 2,5–7,5 раза, получается в 5–15 раз медленнее реального времени: 50–150 секунд на фразу длиной 10 секунд. SuperClonica тратит на неё около 1,0–1,6 секунды.
Качество и стабильность тембра
Мы оцениваем F5-TTS на 3 из 5 по качеству и на 3 по стабильности тембра, SuperClonica — на 4,5 и 5. Клонирование без обучения каждый раз заново восстанавливает голос по референсу, поэтому результат зависит от записи. Обученный файл голоса даёт одну и ту же исходную точку при каждом запуске.
Лицензия: проверьте до коммерческого запуска
Код F5-TTS выпущен под MIT. Предобученные модели распространяются по CC-BY-NC из-за обучающих данных Emilia, поэтому официальные веса по умолчанию нельзя использовать в коммерческих целях.
Supertonic 3 выпущена под OpenRAIL-M — бесплатной лицензией со списком запрещённых применений вместо запрета на коммерцию. Голоса, купленные в SuperClonica, предназначены для ваших проектов, перепродавать их нельзя.
Когда выбирать F5-TTS
SuperClonica подходит для продуктов на 31 языке Supertonic 3, для компьютеров без видеокарты и для длинных текстов, где скорость складывается в часы. F5-TTS лучше в таких случаях:
- исследования и некоммерческие эксперименты с клонированием без обучения;
- китайская или английская речь на видеокарте либо дообученная сообществом модель для вашего языка;
- клон по записи нужен прямо сейчас, без этапа обучения.