F5-TTS

Flow-Matching-Zero-Shot-Voice-Cloning-TTS, das aus einem kurzen Referenz-Clip flüssige Sprache erzeugt.

F5-TTS ist ein nicht-autoregressives Text-to-Speech-Modell auf Basis von Flow Matching mit Diffusion Transformers, das natürliche, flüssige Sprache und Zero-Shot-Voice-Cloning aus wenigen Sekunden Referenzaudio erzeugt. Es ist bekannt für hohe Qualität und Geschwindigkeit ohne Phonem-Alignment oder ein separates Dauernmodell und unterstützt mehrsprachige sowie code-geswitchte Synthese.