F5-TTS (offline + voice clone)
Clona a voz de cada locutor a partir de uma amostra do vídeo e fala suas legendas em inglês ou chinês, no seu próprio computador. Não tem vozes embutidas, e o modelo é apenas para uso não comercial.
Configurações Complementos F5-TTS (offline + voice clone) Instalar
O Subtitld baixa, verifica o SHA-256 e mantém o complemento atualizado.
- Idiomas
- 2
- Modelos
- 2
- Vozes
- 1
- Download do complemento
- 433–648 MB
- RAM, no mínimo
- 4 GB
O que faz
Uma voz, Custom voice. Cada locutor tem a sua, copiada de uma amostra que o Subtitld recorta do vídeo. Funciona melhor com 6 a 15 segundos.
Quando uma amostra chega sem a transcrição, o F5-TTS escreve uma com o Whisper. Na primeira vez, isso significa baixar também o Whisper; depois disso ele fica em cache.
O modelo foi treinado com fala em inglês e em chinês. Ele não tem configuração de idioma e lê cada fala como está escrita.
A primeira fala espera o modelo baixar e carregar; as demais o reutilizam até o complemento ficar ocioso por cinco minutos.
Modelo não comercial. Os pesos do F5-TTS são regidos pela CC-BY-NC-4.0, que não permite uso comercial. O código do complemento é MIT, mas isso não muda os termos dos pesos. Para trabalho comercial, o Qwen3-TTS também clona vozes, e seus pesos são Apache-2.0.
Vozes
Na aba Speakers, escolha o F5-TTS como Motor de dublagem de um locutor; sua única Voz é Custom voice. Cada fala sai com a duração que o modelo lhe dá; ative Ajustar dublagem à duração da legenda para que o locutor a estique ou comprima até a legenda.
1 voz.
A amostra para o clone
Para cada locutor, o Subtitld recorta uma amostra do áudio do projeto:
- a legenda mais longa dele entre 3 e 12 segundos;
- se nenhuma couber, os primeiros 12 segundos de uma mais longa;
- se todas forem menores que 3 segundos, várias seguidas, unidas até chegar a 3.
O F5-TTS funciona melhor com 6 a 15 segundos, então dê a cada locutor pelo menos uma fala entre 6 e 12 segundos. Se você separou a música da voz deste vídeo, a amostra vem somente da voz. Default voice reference nas configurações do complemento só é usada quando nenhuma amostra pode ser recortada, por exemplo sem nenhum vídeo aberto.
O Subtitld guarda a amostra de cada locutor e só a recorta de novo se o arquivo de áudio mudar. Depois de reajustar o tempo das falas de um locutor, apague a amostra dele para obter uma nova; o nome dela termina com o nome do locutor.
| Sistema | Pasta |
|---|---|
| Linux | ~/.cache/subtitld/clone-refs |
| macOS | ~/Library/Caches/subtitld/clone-refs |
| Windows | %LOCALAPPDATA%\subtitld\subtitld\Cache\clone-refs |
Modelos
Os dois são baixados na primeira vez que você gera uma fala: o modelo F5-TTS e o vocoder Vocos, que transforma a saída dele em som. O Whisper vem junto, na primeira vez que o F5-TTS precisa transcrever uma amostra.
| Modelo | Download |
|---|---|
| f5-tts-v1-base | |
| vocos-mel-24khz |
Opções
O complemento lê estas opções quando inicia, então uma mudança vale depois de ele ficar ocioso por cinco minutos, ou depois de você reiniciar o Subtitld. Skip auto-extracted reference transcript é a exceção: o Subtitld a lê para cada fala.
Em Configurações › Complementos › F5-TTS (offline + voice clone) › Configurar.
cpuO F5-TTS escolhe o dispositivo sozinho ao carregar; o complemento não repassa esta configuração. As compilações lançadas são feitas com o pacote de CPU do PyTorch.
Um clipe para copiar quando o Subtitld não consegue tirar uma amostra do locutor do vídeo, por exemplo sem nenhum vídeo aberto. Uma amostra do vídeo sempre vem primeiro. Procure de 6 a 15 segundos.
As palavras faladas no clipe padrão acima. O complemento a usa com qualquer amostra que chegue sem a própria transcrição, inclusive as do vídeo; então deixe vazio, a menos que dependa do clipe padrão. Vazio, o F5-TTS transcreve cada amostra sozinho.
Ligue para que o texto da legenda não acompanhe a amostra como transcrição; o F5-TTS então transcreve a amostra sozinho com o Whisper. Útil quando suas legendas parafraseiam o que é dito.
Idiomas
O F5-TTS não recebe idioma: ele lê cada fala como está escrita. Existem modelos para outros idiomas, mas este complemento não os carrega.
enzh-cn
Plataformas
| Sistema | Download | Testado |
|---|---|---|
| Linux x86-64 | 647.8 MB | Compilado e iniciado no CI |
| macOS (universal) | 433.8 MB | Compilado e iniciado no CI |
| Windows x86-64 | 433.2 MB | Compilado e iniciado no CI |
Cada versão é compilada em Linux, macOS e Windows, e o CI verifica se o programa inicia e lista sua voz. O CI não gera fala.
Solução de problemas
bad_paramsNão há nada com que trabalhar: a legenda não tem texto, ou não há amostra para copiar. O Subtitld não conseguiu recortar uma (nenhum vídeo aberto, ou nenhuma legenda para aquele locutor) e nenhum clipe padrão está definido, ou o arquivo do clipe padrão foi movido. Dê à legenda um texto, abra o vídeo, ou defina Default voice reference para um arquivo que exista.internalO modelo não carregou ou não conseguiu falar a fala; a mensagem diz qual. Um download que falha no primeiro uso também termina aqui: verifique sua conexão e o espaço livre em disco, e tente de novo. Se a mensagem citar o ffmpeg, instale o ffmpeg para que ele esteja no seu PATH; o F5-TTS precisa dele para ler a amostra.
Licença
Não é para trabalho comercial: a licença CC-BY-NC-4.0 dos pesos proíbe, mesmo que o código do complemento seja MIT.
Versões
- 1.0.6
Automated release for f5-tts v1.0.6.
Outros complementos de Vozes
-
Piper Offline
158 vozes offline em 49 idiomas, cada uma um pequeno download separado.
-
Kokoro Offline
54 vozes offline em nove idiomas, todas de um único modelo de 82 MB.
-
Supertonic Offline
Dez vozes offline, cada uma capaz de falar todos os 31 idiomas.
-
sanoTTS Offline
Vozes offline minúsculas, 28 em 14 idiomas, cada uma com menos de 10 MB.
-
Parler-TTS Offline
Vozes em inglês que seguem uma descrição escrita; 34 locutores nomeados.
-
Qwen3-TTS Clonagem
Dez idiomas, nove vozes e clonagem a partir de 3 segundos de um locutor.
-
Coqui XTTS Clonagem
Clonagem de voz em 16 idiomas, com licença de modelo não comercial.