F5-TTS

หน้านี้ของ Soniqo อธิบาย F5-TTS ตาม implementation ใน speech-swift / speech-core ส่วนลิงก์ Hugging Face อยู่ใต้หมายเหตุการใช้งาน

เข้าหน้าในเว็บก่อน

การ์ดหน้าแรกและเมนูเอกสารจะชี้มาที่หน้านี้ก่อน ส่วนลิงก์ไปยัง source model และ bundle ยังอยู่ในหน้านี้

ภาพรวม

โมเดล	F5-TTS
บทบาท	Zero-shot voice cloning from a short reference plus transcript
Backend	MLX fp16
Output	24 kHz mono waveform
ภาษา	English and Mandarin, mixed EN/ZH supported
License	CC-BY-NC-4.0 weights; non-commercial bundle
สถานะ	Ready through speech speak --engine f5 and the F5TTS Swift product
Source	SWivid F5-TTS
Swift product	`F5TTS`
CLI / runtime	`speech speak --engine f5`

การใช้งาน

snippet ด้านล่างตรงกับ API หรือคำสั่งปัจจุบันใน speech-swift

# 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

ลิงก์โมเดล

หมายเหตุ implementation

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.