/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
F5-TTS
Библиотека
f5-tts
Опубликована
26 июл 2026

VoiceClone

Синтез речиТекст → аудио3 профессии

Дообученная на базе F5-TTS модель синтезирует произвольный текст голосом из короткого референсного аудиофрагмента.

94скачиваний за 30 дней0лайковвеса обновлены26 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VoiceClone — дообученная модель синтеза речи на основе SWivid/F5-TTS, разработанная автором репозитория Dikshan1234. Она создаёт речь по произвольному тексту, используя голос из предоставленного аудиофрагмента длительностью 6–15 секунд и его расшифровку. Модель основана на F5TTS_v1_Base примерно с 336 млн параметров; контрольная точка обучена полным дообучением в bf16. Синтез выполняется с частотой 24 кГц с использованием вокодера Vocos.

Модель предназначена для zero-shot клонирования голоса и генерации озвучки без отдельного обучения на голосе диктора. В README приведены оценки на ранее не встречавшихся дикторах и предложениях: SECS 0,7937, WER 1,70% и CER 1,46%. Карточка указывает на обучение на данных LibriTTS-R и VCTK; метаданные отмечают английский язык. Лицензия CC-BY-NC-4.0 разрешает только некоммерческое использование; для указанных обучающих корпусов также требуется атрибуция. Клонировать следует только голоса, на использование которых есть явное разрешение.

Сценарии применения

  • клонирование голоса по короткой записи
  • озвучивание текста голосом заданного диктора
  • создание тестовой озвучки без отдельного обучения на голосе
  • генерация англоязычных аудиосэмплов по тексту

Ограничения

Лицензия CC-BY-NC-4.0 допускает только некоммерческое использование. Клонирование голосов может способствовать имитации личности; используйте только голоса, на клонирование которых получено явное разрешение.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VoiceClone — F5-TTS fine-tune

Zero-shot voice cloning: give it a 6–15 s reference clip and arbitrary text, and it synthesizes that text in the reference speaker's voice. Fine-tuned from SWivid/F5-TTS (F5TTS_v1_Base, ~336M params, 24 kHz, Vocos vocoder).

Non-commercial. The base weights inherit CC-BY-NC-4.0 from the Emilia corpus, and that restriction flows through to this fine-tune. See Licensing below.

Current checkpoint

Training step12000
Precisionbf16, full fine-tune (no LoRA)
Sample rate24000 Hz

Evaluation

Measured on held-out speakers never seen during training, with sentences never seen during training — so these numbers reflect zero-shot generalisation, not memorisation.

MetricValueWhat it means
SECS ↑0.7937 (+0.0067 ✅ vs base)Speaker-encoder cosine similarity (ECAPA-TDNN). The primary "is cloning working" metric.
WER ↓1.70% (+0.0000 ⚠️ vs base)Whisper transcription vs input text. Catches intelligibility collapse.
CER ↓1.46%Character error rate.
UTMOS ↑4.226Predicted mean opinion score (naturalness).
RTF ↓0.291Real-time factor on an RTX 5070 Ti.

MCD is tracked internally but deliberately not published here: it is computed from MFCC rather than WORLD/SPTK mel-cepstrum, so it is valid for tracking this model's own progress but is not comparable to MCD figures in the literature.

Samples

  • samples/000_libritts_r_2053.wav
  • samples/001_libritts_r_2053.wav
  • samples/002_libritts_r_2053.wav
  • samples/003_libritts_r_2053.wav
  • samples/004_libritts_r_2053.wav
  • samples/005_vctk_p283.wav
  • samples/006_vctk_p283.wav
  • samples/007_vctk_p283.wav

Usage

from f5_tts.api import F5TTS

tts = F5TTS(model="F5TTS_v1_Base", ckpt_file="model.safetensors")
wav, sr, _ = tts.infer(
    ref_file="reference.wav",
    ref_text="Transcript of the reference clip.",
    gen_text="Text you want spoken in that voice.",
    file_wave="out.wav",
)

Reference clips should be 6–15 s, clean, and single-speaker. Quality of the reference dominates output quality far more than the length does.

Training data

SourceHF idLicenseAttribution
libritts_rmythicinfinity/libritts_rCC BY 4.0LibriTTS-R (Koizumi et al., 2023), derived from LibriTTS / LibriVox.
vctksanchit-gandhi/vctkCC BY 4.0 (upstream CSTR VCTK; mirror declares none)CSTR VCTK Corpus, University of Edinburgh (CC BY 4.0). Accessed via the sanchit-gandhi/vctk parquet mirror.

Audio was resampled to 24000 Hz mono, loudness-normalised to -23.0 LUFS (EBU R128), VAD-trimmed, and filtered on duration (1.0–15.0 s), estimated SNR (≥ 12.0 dB), clipping, and transcript plausibility.

Licensing

  • This model: cc-by-nc-4.0 — non-commercial use only.
  • Base weights (SWivid/F5-TTS) are CC-BY-NC-4.0 because the Emilia training corpus is CC-BY-NC. That restriction is viral onto any fine-tune, including this one.
  • F5-TTS code is MIT.
  • LibriTTS-R and VCTK are CC BY 4.0 and require attribution, given above.

For a commercially usable lineage you would need to retrain from an Apache-2.0 base such as mrfakename/OpenF5-TTS-Base (identical architecture) — fine-tuning this checkpoint cannot remove the NC restriction.

Ethical use

Voice cloning can be used to impersonate people. Only clone voices you have explicit permission to clone. Do not use this model for fraud, harassment, defamation, or to fabricate statements by real people.


Auto-generated by hf_push.py at 2026-07-27 04:31:46.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · f5-tts

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
14090b5

0 моделей