F5-TTS

Flow-matching-baserad zero-shot röstkloning-TTS som genererar flytande tal från ett kort referensklipp.

F5-TTS är en icke-autoregressiv text-till-tal-modell baserad på flow matching med diffusionstransformatorer, som producerar naturligt, flytande tal och zero-shot röstkloning från några sekunders referensljud. Den är känd för hög kvalitet och hastighet utan fonemjustering eller en separat längdmodell, och stöder flerspråkig och code-switched syntes.