F5-TTS: генератор звука — что умеет и что нужно для запуска

F5-TTS — это открытый генератор речи, который превращает текст в звук. Проект создан разработчиком SWivid и распространяется в виде кода и готовых весов модели. Основная задача — text-to-speech, то есть синтез речи по написанному тексту.

Что умеет

Авторы описывают проект как официальный код для работы «F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching». Это заявление разработчика, а не результат независимых измерений. Модель доступна в репозитории на Hugging Face, а научное описание опубликовано на arxiv.org.

В паспорте не указаны поддерживаемые языки, качество синтеза, скорость генерации или ограничения по длине текста. Авторы не приводят этих данных.

Что нужно для запуска

Код написан на Python и опубликован под лицензией MIT. Веса модели распространяются по лицензии cc-by-nc-4.0 — это разрешает использование только в некоммерческих целях.

Самый большой файл весов занимает 1,3 ГБ, все файлы вместе — 3,8 ГБ. Для работы потребуется библиотека f5-tts.

По описанию автора, платформа — ROCm. В описании дословно указано: «ROCm 7.x — these architectures (gfx1151/gfx1201) are not included in ROCm 6.x». Это значит, что для указанных архитектур нужна версия ROCm 7.x, а не 6.x. Других требований к оборудованию или операционной системе в паспорте нет.

Последний выпуск — 1.1.22. Репозиторий создан 8 октября 2024 года, последнее изменение кода — 23 июля 2026 года.

Кому подойдёт

Проект будет полезен тем, кто ищет открытый генератор речи с доступными весами и готов работать с Python-кодом. Лицензия MIT на код позволяет встраивать решение в собственные проекты, а наличие репозитория и модели на Hugging Face упрощает начало работы.

Некоммерческая лицензия весов ограничивает применение: использовать модель в платных продуктах или сервисах нельзя без отдельного разрешения правообладателя. Также проект вряд ли подойдёт тем, кто не готов разбираться с ROCm и архитектурами GPU — авторы не указывают поддержку других платформ.

F5-TTS — это открытая кодовая база для синтеза речи с готовыми весами. Проект развивается, имеет публичный репозиторий и научное описание. Подойдёт для экспериментов и некоммерческих задач, если окружение соответствует требованиям ROCm.