/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
F5-TTS
Библиотека
crispasr
Опубликована
30 мая 2026

f5-tts-GGUF

Синтез речиТекст → аудио3 профессии

F5-TTS в формате GGUF синтезирует речь из текста и клонирует голос по короткой эталонной записи.

1 681скачиваний за 30 дней1лайквеса обновлены2 авг 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

cstr/f5-tts-GGUF — конверсия модели F5-TTS v1 Base в формат GGUF для запуска в CrispASR. Веса представлены в F16, а критические компоненты — AdaLN, RoPE и временное встраивание — в F32. Архитектура включает 22-слойный Diffusion Transformer с 330 млн параметров, символьный ConvNeXtV2-энкодер текста и вокодер Vocos с 13 млн параметров; файл модели содержит DiT и Vocos. Модель синтезирует монофоническое аудио PCM с частотой 24 кГц и поддерживает клонирование голоса по эталонной записи длительностью 3–15 секунд вместе с её текстовой расшифровкой.

Она предназначена для генерации речи из текста и zero-shot-клонирования голоса в среде CrispASR. Карточка указывает английский и китайский языки. Автор рекомендует F16: более сильная квантизация может накапливать ошибки в ходе итеративного ODE-синтеза и приводить к неразборчивой речи. Лицензия репозитория — CC-BY-NC-4.0; исходная модель SWivid/F5-TTS указана в README под лицензией MIT.

Сценарии применения

  • синтез английской речи из текста
  • синтез китайской речи из текста
  • клонирование голоса по записи длительностью 3–15 секунд
  • генерация аудио по тексту и расшифровке эталонного голоса

Ограничения

README рекомендует формат F16: квантизация Q8_0 может привести к накоплению ошибок и неразборчивому синтезу. Для клонирования голоса требуется эталонное аудио длительностью 3–15 секунд и его текстовая расшифровка.

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

F5-TTS v1 Base — GGUF

Native C++ GGUF conversion of SWivid/F5-TTS (MIT license) for the CrispASR runtime.

Model file

FileSizeDescription
f5-tts-v1-base-f16.gguf953 MBF16 weights for DiT/Vocos, F32 for critical paths (AdaLN, RoPE, time embed)

Note on quantization: F5-TTS uses a 32-step iterative ODE solver where each step runs the full 22-layer DiT twice (for CFG). This means every weight matrix is used 1408 times per synthesis. Q8_0's ~0.5% per-operation error compounds multiplicatively across these passes, producing unintelligible output — even when the conditioning pathway (AdaLN, timestep MLP) is kept at F32. F16's ~0.001% error survives the 1408× accumulation. This is inherent to flow-matching architecture, not a ggml limitation. The converter supports --quant q8_0 for experimentation, but F16 is the only recommended format.

Architecture

  • DiT backbone: 22-layer Diffusion Transformer with AdaLN-Zero (330M params)
  • Text encoder: Character-level ConvNeXtV2 (4 blocks, 512-d)
  • Vocoder: Vocos (8× ConvNeXt + ISTFTHead, 13M params)
  • ODE solver: 32-step Euler with CFG (strength=2.0, sway=-1.0)
  • Output: 24 kHz mono PCM
  • Voice cloning: Zero-shot from 3-15s reference audio + transcript

Single GGUF contains both DiT and Vocos — no separate codec model needed.

Usage

# Install / build CrispASR
git clone https://github.com/CrispStrobe/CrispASR && cd CrispASR
cmake -B build && cmake --build build -j$(nproc) --target crispasr-cli

# Synthesize with voice cloning
./build/bin/crispasr --backend f5-tts -m auto \
    --voice reference.wav \
    --ref-text "Transcript of the reference audio" \
    --tts "Hello, how are you today?" \
    --tts-output output.wav --seed 42

The --ref-text flag is required — F5-TTS conditions on both audio and its transcript for voice cloning.

Conversion

Converted from SWivid/F5-TTS safetensors using:

python models/convert-f5-tts-to-gguf.py \
    --model-dir /path/to/f5-tts \
    --output f5-tts-v1-base-f16.gguf

Quantization beyond F16 is not recommended for flow-matching models.

License

MIT (same as upstream SWivid/F5-TTS).

Licence — CC-BY-NC-4.0 (corrected 2026-08-02)

This repository previously declared license: mit. That was wrong, and the mistake is worth naming because it is easy to repeat: the F5-TTS code is MIT, the F5-TTS weights are not. The MIT licence on github.com/SWivid/F5-TTS covers the training and inference implementation. The checkpoint this GGUF was converted from, SWivid/F5-TTS, is published under CC-BY-NC-4.0.

Converting the weights to GGUF changes their numeric representation, not their licence. So this build is non-commercial: you may use, modify and redistribute it for non-commercial purposes with attribution to the upstream authors, and you may not use it commercially. If you need a commercially usable TTS model, this is not it.

Как запустить

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

GPU в ailist

Универсальный рантайм · crispasr

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
28d4461

0 моделей