F5-TTS

TTS de clonación de voz zero-shot basado en flow matching que genera habla fluida a partir de un clip de referencia breve.

F5-TTS es un modelo de síntesis de voz no autorregresivo basado en flow matching con transformers de difusión, que produce habla natural y fluida y clonación de voz zero-shot a partir de unos pocos segundos de audio de referencia. Destaca por su calidad y velocidad sin necesidad de alineación fonémica ni un modelo de duración separado, y admite síntesis multilingüe y con mezcla de idiomas.