F5-TTS (offline + voice clone)
Clona la voz de cada hablante a partir de una muestra del vídeo y habla tus subtítulos en inglés o en chino, en tu propio ordenador. No tiene voces integradas, y su modelo es solo para uso no comercial.
Ajustes Complementos F5-TTS (offline + voice clone) Instalar
Subtitld lo descarga, comprueba su SHA-256 y lo mantiene actualizado.
- Idiomas
- 2
- Modelos
- 2
- Voces
- 1
- Descarga del complemento
- 433–648 MB
- RAM, como mínimo
- 4 GB
Qué hace
Una voz, Custom voice. Cada hablante tiene la suya, copiada de una muestra que Subtitld corta del vídeo. Funciona mejor con 6 a 15 segundos.
Cuando una muestra llega sin su transcripción, F5-TTS escribe una con Whisper. La primera vez, eso significa descargar también Whisper; después queda en caché.
El modelo se entrenó con voz en inglés y en chino. No tiene ajuste de idioma y lee cada línea tal como está escrita.
La primera línea espera a que el modelo se descargue y se cargue; las demás lo reutilizan hasta que el complemento lleva cinco minutos sin uso.
Modelo no comercial. Los pesos de F5-TTS están bajo CC-BY-NC-4.0, que no permite el uso comercial. El código del complemento es MIT, pero eso no cambia las condiciones de los pesos. Para trabajo comercial, Qwen3-TTS también clona voces, y sus pesos son Apache-2.0.
Voces
En la pestaña Hablantes, elige F5-TTS como Motor de doblaje del hablante; su única Voz es Custom voice. Cada línea sale tan larga como la haga el modelo; activa Ajustar el doblaje a la duración del subtítulo para que el hablante la estire o la comprima hasta su subtítulo.
1 voz.
La muestra para el clon
Para cada hablante, Subtitld corta una muestra del audio del proyecto:
- su subtítulo más largo entre 3 y 12 segundos;
- si ninguno encaja, los primeros 12 segundos de uno más largo;
- si todos duran menos de 3 segundos, varios seguidos, unidos hasta llegar a 3.
F5-TTS funciona mejor con 6 a 15 segundos, así que dale a cada hablante al menos una línea de entre 6 y 12 segundos. Si separaste la música de la voz de este vídeo, la muestra sale solo de la voz. Default voice reference en la configuración del complemento se usa solo cuando no se puede cortar ninguna muestra, por ejemplo sin vídeo abierto.
Subtitld guarda la muestra de cada hablante y la vuelve a cortar solo si cambia el archivo de audio. Después de reajustar las líneas de un hablante, borra su muestra para obtener una nueva; su nombre termina con el nombre del hablante.
| Sistema | Carpeta |
|---|---|
| Linux | ~/.cache/subtitld/clone-refs |
| macOS | ~/Library/Caches/subtitld/clone-refs |
| Windows | %LOCALAPPDATA%\subtitld\subtitld\Cache\clone-refs |
Modelos
Ambos se descargan la primera vez que generas una línea: el modelo F5-TTS, y el vocoder Vocos que convierte su salida en sonido. Whisper se suma la primera vez que F5-TTS tiene que transcribir una muestra.
| Modelo | Descarga |
|---|---|
| f5-tts-v1-base | |
| vocos-mel-24khz |
Opciones
El complemento los lee al iniciarse, así que un cambio se aplica tras cinco minutos sin uso, o al reiniciar Subtitld. Skip auto-extracted reference transcript es la excepción: Subtitld lo lee para cada línea.
En Ajustes › Complementos › F5-TTS (offline + voice clone) › Configurar.
cpuF5-TTS elige el dispositivo por sí mismo al cargarse; el complemento no pasa este ajuste. Las compilaciones publicadas se hacen con el paquete de PyTorch para CPU.
Un clip que se copia cuando Subtitld no puede tomar una muestra del hablante en el vídeo, por ejemplo sin vídeo abierto. Una muestra del vídeo siempre va primero. Apunta a 6 a 15 segundos.
Las palabras dichas en el clip predeterminado de arriba. El complemento la usa con cualquier muestra que llegue sin su propia transcripción, incluidas las del vídeo, así que déjala vacía salvo que dependas del clip predeterminado. Vacía, F5-TTS transcribe cada muestra por sí mismo.
Actívalo para que el texto del subtítulo no vaya con la muestra como su transcripción; F5-TTS transcribe entonces la muestra por sí mismo con Whisper. Útil cuando tus subtítulos parafrasean lo que se dice.
Idiomas
F5-TTS no acepta idioma: lee cada línea tal como está escrita. Existen modelos para otros idiomas, pero este complemento no los carga.
enzh-cn
Plataformas
| Sistema | Descarga | Probado |
|---|---|---|
| Linux x86-64 | 647.8 MB | Compilado y arrancado en CI |
| macOS (universal) | 433.8 MB | Compilado y arrancado en CI |
| Windows x86-64 | 433.2 MB | Compilado y arrancado en CI |
Cada versión se compila en Linux, macOS y Windows, y CI comprueba que el programa arranca y lista su voz. CI no genera voz.
Solución de problemas
bad_paramsNo hay nada con qué trabajar: el subtítulo no tiene texto, o no hay muestra que copiar. Subtitld no pudo cortar una (sin vídeo abierto, o sin subtítulos para ese hablante) y no hay clip predeterminado, o el archivo del clip predeterminado se ha movido. Escribe el texto del subtítulo, abre el vídeo, o define Default voice reference con un archivo que exista.internalEl modelo no cargó o no pudo decir la línea; el mensaje indica cuál. Una descarga fallida en el primer uso también termina aquí: revisa tu conexión y tu espacio libre en disco, e inténtalo de nuevo. Si el mensaje menciona ffmpeg, instálalo para que esté en tu PATH; F5-TTS lo necesita para leer la muestra.
Licencia
No apto para uso comercial: la licencia CC-BY-NC-4.0 de los pesos lo prohíbe, aunque el código del complemento sea MIT.
Versiones
- 1.0.6
Automated release for f5-tts v1.0.6.
Otros complementos de Voces
-
Piper Sin conexión
158 voces sin conexión en 49 idiomas, cada una una descarga pequeña aparte.
-
Kokoro Sin conexión
54 voces sin conexión en nueve idiomas, todas de un único modelo de 82 MB.
-
Supertonic Sin conexión
Diez voces sin conexión, cada una capaz de hablar los 31 idiomas del modelo.
-
sanoTTS Sin conexión
Voces sin conexión diminutas, 28 en 14 idiomas, cada una de menos de 10 MB.
-
Parler-TTS Sin conexión
Voces en inglés que siguen una descripción escrita; 34 hablantes con nombre.
-
Qwen3-TTS Clonación
Diez idiomas, nueve voces y clonación desde 3 segundos de un hablante.
-
Coqui XTTS Clonación
Clonación de voz en 16 idiomas, con licencia de modelo no comercial.