F5-TTS

Flyt-matchende zero-shot stemmekopiering TTS som produserer flytende tale fra en kort referanseklipp.

F5-TTS er en ikke-autoregresiv tekst-til-tale-modell basert på flyt-matching med diffusjonstransformere, som produserer naturlig, flytende tale og zero-shot stemmekopiering fra noen sekunders referanseaudio. Det er kjent for høy kvalitet og hastighet uten fonemjustering eller en separat varighetsmodell, og støtter flerspråklig og kodevekslet syntese.