F5-TTS

この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある F5-TTS を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。

まずサイト内ページへ

ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。

概要

モデル	F5-TTS
役割	Zero-shot voice cloning from a short reference plus transcript
バックエンド	MLX fp16
出力	24 kHz mono waveform
言語	English and Mandarin, mixed EN/ZH supported
ライセンス	CC-BY-NC-4.0 weights; non-commercial bundle
状態	Ready through speech speak --engine f5 and the F5TTS Swift product
ソース	SWivid F5-TTS
Swift プロダクト	`F5TTS`
CLI / ランタイム	`speech speak --engine f5`

使い方

以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。

# Clone a voice from a ~10 s reference clip plus its transcript.
.build/release/speech speak "Hello from my cloned voice." \
  --engine f5 \
  --voice-sample reference.wav \
  --f5-reference-text "Text spoken in the reference clip." \
  -o cloned.wav

モデルリンク

実装メモ

16 flow steps are the default (RTF 0.57 on an M5 Pro, lower is faster); --f5-steps 32 for maximum fidelity, 12 runs at RTF 0.43 — ASR roundtrips are word-identical across all three.
--f5-reference-text is required: cloning conditions on the reference transcript, and quality tracks how cleanly the reference clip ends on a sentence boundary.
Mandarin runs through a bundled pinyin lexicon with tone sandhi baked in at export time (99.2% token-exact against the upstream rjieba/pypinyin frontend), so Swift needs no external tokenizer.
Deterministic per --f5-seed; --f5-speed scales pacing, CFG strength and sway sampling are exposed as flags; about 0.8 GB peak RSS makes it the smallest cloning engine in the package.