> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/f5-tts.md).

# F5-TTS

Texto a voz rápido y fluido con F5-TTS en GPUs de Clore.ai

Genera voz natural con F5-TTS: un sistema TTS rápido y fluido.

{% hint style="success" %}
Todos los ejemplos se pueden ejecutar en servidores GPU alquilados a través de [Marketplace de CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Alquilar en CLORE.AI

1. Visita [Marketplace de CLORE.AI](https://clore.ai/marketplace)
2. Filtra por tipo de GPU, VRAM y precio
3. Elige **Bajo demanda** (tarifa fija) o **Spot** (precio ofertado)
4. Configura tu pedido:
   * Selecciona la imagen de Docker
   * Configura los puertos (TCP para SSH, HTTP para interfaces web)
   * Añade variables de entorno si es necesario
   * Introduce el comando de inicio
5. Selecciona el método de pago: **CLORE**, **BTC**, o **USDT/USDC**
6. Crea el pedido y espera al despliegue

### Accede a tu servidor

* Encuentra los detalles de conexión en **Mis pedidos**
* Interfaces web: Usa la URL del puerto HTTP
* SSH: `ssh -p <port> root@<proxy-address>`

## ¿Qué es F5-TTS?

F5-TTS ofrece:

* Inferencia rápida (más rápida que en tiempo real)
* Prosodia y entonación naturales
* Clonación de voz zero-shot
* Compatibilidad multilingüe

## Recursos

* **GitHub:** [SWivid/F5-TTS](https://github.com/SWivid/F5-TTS)
* **HuggingFace:** [SWivid/F5-TTS](https://huggingface.co/SWivid/F5-TTS)
* **Artículo:** [Artículo de F5-TTS](https://arxiv.org/abs/2410.06885)
* **Demo:** [Espacio de Hugging Face](https://huggingface.co/spaces/mrfakename/E2-F5-TTS)

## Hardware recomendado

| Componente     | Mínimo        | Recomendado   | Óptimo        |
| -------------- | ------------- | ------------- | ------------- |
| GPU            | RTX 3060 12GB | RTX 4080 16GB | RTX 4090 24GB |
| VRAM           | 6GB           | 12GB          | 16GB          |
| CPU            | 4 núcleos     | 8 núcleos     | 16 núcleos    |
| RAM            | 16GB          | 32GB          | 64GB          |
| Almacenamiento | SSD de 20 GB  | 50GB NVMe     | 100GB NVMe    |
| Internet       | 100 Mbps      | 500 Mbps      | 1 Gbps        |

## Despliegue rápido en CLORE.AI

**Imagen de Docker:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime
```

**Puertos:**

```
22/tcp
7860/http
```

**Comando:**

```bash
pip install f5-tts && \
f5-tts-webui
```

## Accediendo a tu servicio

Después del despliegue, encuentra tu `http_pub` URL en **Mis pedidos**:

1. Ve a **Mis pedidos** página
2. Haz clic en tu pedido
3. Encuentra la `http_pub` URL (p. ej., `abc123.clorecloud.net`)

Usa `https://YOUR_HTTP_PUB_URL` en lugar de `localhost` en los ejemplos a continuación.

## Instalación

```bash
pip install f5-tts

# O desde el código fuente
git clone https://github.com/SWivid/F5-TTS.git
cd F5-TTS
pip install -e .
```

## Lo que puedes crear

### Contenido de voz

* Producción de pódcasts
* Narración de audiolibros
* Locución para videos

### Accesibilidad

* Lectores de pantalla
* Lectores de documentos
* Materiales de aprendizaje

### Aplicaciones interactivas

* Asistentes de voz
* PNJ de videojuegos
* Bots de atención al cliente

### Proyectos creativos

* Voces de personajes
* Dramas de audio
* Voces para música

## Uso básico

### TTS simple

```python
from f5_tts import F5TTS

# Inicializar
tts = F5TTS(device="cuda")

# Generar voz
audio = tts.generate(
    text="¡Hola! F5-TTS está generando voz natural.",
    output_path="output.wav"
)
```

### Clonación de voz

```python
from f5_tts import F5TTS

tts = F5TTS(device="cuda")

# Clonar voz a partir de audio de referencia
audio = tts.generate(
    text="Esta es mi voz clonada hablando un texto nuevo.",
    ref_audio="reference_voice.wav",
    ref_text="Este es el texto de referencia hablado en el audio.",
    output_path="cloned_output.wav"
)
```

## Compatibilidad multilingüe

```python
from f5_tts import F5TTS

tts = F5TTS(device="cuda")

# Inglés
tts.generate(
    text="Hola, ¿cómo estás hoy?",
    ref_audio="english_speaker.wav",
    output_path="english.wav"
)

# Chino
tts.generate(
    text="你好，今天怎么样？",
    ref_audio="chinese_speaker.wav",
    output_path="chinese.wav"
)

# Francés
tts.generate(
    text="Bonjour, comment allez-vous?",
    ref_audio="french_speaker.wav",
    output_path="french.wav"
)
```

## Procesamiento por lotes

```python
from f5_tts import F5TTS
import os

tts = F5TTS(device="cuda")

texts = [
    "Bienvenidos a nuestra demostración del producto.",
    "Hoy les mostraremos las funciones clave.",
    "Comencemos con el panel principal.",
    "Como pueden ver, la interfaz es intuitiva.",
    "¡Gracias por ver!"
]

ref_audio = "narrator_voice.wav"
ref_text = "Texto de muestra del audio de referencia."
output_dir = "./narration"
os.makedirs(output_dir, exist_ok=True)

for i, text in enumerate(texts):
    print(f"Generando {i+1}/{len(texts)}: {text[:50]}...")

    tts.generate(
        text=text,
        ref_audio=ref_audio,
        ref_text=ref_text,
        output_path=f"{output_dir}/segment_{i:03d}.wav"
    )
```

## Audio de formato largo

```python
from f5_tts import F5TTS

tts = F5TTS(device="cuda")

long_text = """
Bienvenidos a esta guía completa sobre aprendizaje automático.
En este capítulo, exploraremos los fundamentos de las redes neuronales.
Las redes neuronales son sistemas informáticos inspirados en las redes neuronales biológicas.
Consisten en nodos interconectados que procesan información.
Comencemos con los conceptos básicos.
"""

# F5-TTS maneja textos largos dividiéndolos en oraciones
audio = tts.generate(
    text=long_text,
    ref_audio="narrator.wav",
    output_path="long_narration.wav",
    chunk_size=200  # Caracteres por fragmento
)
```

## Interfaz de Gradio

```python
import gradio as gr
from f5_tts import F5TTS
import tempfile

tts = F5TTS(device="cuda")

def generate_speech(text, ref_audio, ref_text):
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        tts.generate(
            text=text,
            ref_audio=ref_audio,
            ref_text=ref_text,
            output_path=f.name
        )
        return f.name

demo = gr.Interface(
    fn=generate_speech,
    inputs=[
        gr.Textbox(label="Texto a pronunciar", lines=5),
        gr.Audio(type="filepath", label="Voz de referencia"),
        gr.Textbox(label="Texto de referencia", lines=2)
    ],
    outputs=gr.Audio(label="Audio generado"),
    title="Clonación de voz con F5-TTS",
    description="Clona cualquier voz con F5-TTS en los servidores de CLORE.AI"
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## Servidor API

```python
from fastapi import FastAPI, UploadFile, File, Form
from fastapi.responses import FileResponse
from f5_tts import F5TTS
import tempfile

app = FastAPI()
tts = F5TTS(device="cuda")

@app.post("/synthesize")
async def synthesize(
    text: str = Form(...),
    ref_audio: UploadFile = File(...),
    ref_text: str = Form(...)
):
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as ref_file:
        ref_file.write(await ref_audio.read())
        ref_path = ref_file.name

    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as out_file:
        tts.generate(
            text=text,
            ref_audio=ref_path,
            ref_text=ref_text,
            output_path=out_file.name
        )
        return FileResponse(out_file.name, media_type="audio/wav")

# Ejecutar: uvicorn server:app --host 0.0.0.0 --port 8000
```

## Rendimiento

| Longitud del texto | GPU      | Tiempo de generación | Factor en tiempo real |
| ------------------ | -------- | -------------------- | --------------------- |
| 100 caracteres     | RTX 3090 | 0,5 s                | 5x                    |
| 100 caracteres     | RTX 4090 | 0,3 s                | 8x                    |
| 500 caracteres     | RTX 4090 | 1,2 s                | 10x                   |
| 1000 caracteres    | A100     | 2.0 s                | 12x                   |

## Problemas comunes y soluciones

### Mala coincidencia de voz

**Problema:** La voz generada no coincide con la referencia

**Soluciones:**

* Usa entre 5 y 15 segundos de audio de referencia limpio
* Proporciona una transcripción precisa del texto de referencia
* Evita el ruido de fondo en la referencia
* Haz coincidir el idioma del texto y de la referencia

### Problemas de pronunciación

**Problema:** Pronuncia mal palabras o nombres

**Soluciones:**

```python

# Usa pistas fonéticas para palabras difíciles
text = "Bienvenido a la plataforma de IA CLORE (pronunciado KLOR)."

# O usa un formato similar a SSML
text = "El director ejecutivo, John Smith (SMIHTH), hablará."
```

### Problemas de calidad de audio

**Problema:** La salida suena robótica o distorsionada

**Soluciones:**

* Usa audio de referencia de alta calidad (24 kHz+)
* Limpia la referencia del ruido
* Prueba diferentes muestras de referencia
* Aumenta los ajustes de calidad de generación

### Problemas de memoria

**Problema:** Memoria insuficiente para textos largos

**Soluciones:**

```python

# Procesa en fragmentos más pequeños
tts.generate(
    text=long_text,
    chunk_size=100,  # Fragmentos más pequeños
    overlap=20  # Transiciones suaves
)
```

### Generación lenta

**Problema:** Tarda demasiado en generar

**Soluciones:**

* Usa inferencia en GPU (CUDA)
* Reduce chunk\_size para un procesamiento más rápido
* Usa una RTX 4090 o superior
* Habilita precisión media (fp16)

## Solución de problemas

### La voz no coincide con la referencia

* Usa entre 5 y 15 segundos de audio de referencia limpio
* Transcribe con precisión el texto de referencia
* Evita el ruido de fondo en la referencia

### Problemas de calidad de audio

* Usa una referencia con alta frecuencia de muestreo (24 kHz+)
* Limpia la referencia del ruido
* Prueba diferentes muestras de referencia

### Generación lenta

* Usa CUDA (no CPU)
* Reduce la longitud del texto o divídelo en fragmentos
* Usa tamaños de lote más pequeños

### Incompatibilidad de idioma

* Haz coincidir el idioma del texto con el del audio de referencia
* Algunos idiomas necesitan modelos específicos

## Estimación de costos

Tarifas típicas del marketplace de CLORE.AI (a partir de 2024):

| GPU       | Tarifa por hora | Tarifa diaria | Sesión de 4 horas |
| --------- | --------------- | ------------- | ----------------- |
| RTX 3060  | \~$0.03         | \~$0.70       | \~$0.12           |
| RTX 3090  | \~$0.06         | \~$1.50       | \~$0.25           |
| RTX 4090  | \~$0.10         | \~$2.30       | \~$0.40           |
| A100 40GB | \~$0.17         | \~$4.00       | \~$0.70           |
| A100 80GB | \~$0.25         | \~$6.00       | \~$1.00           |

*Los precios varían según el proveedor y la demanda. Consulta* [*Marketplace de CLORE.AI*](https://clore.ai/marketplace) *las tarifas actuales.*

**Ahorra dinero:**

* Usa el **Spot** mercado para trabajo interrumpible — alrededor de un tercio de los servidores fija el precio spot por debajo del precio bajo demanda (mediana de \~13% de descuento), el resto lo iguala
* Paga con **CLORE** tokens
* Compara precios entre distintos proveedores

## Siguientes pasos

* [XTTS](/guides/guides_v2-es/audio-y-voz/xtts-coqui.md) - TTS alternativos
* [Bark TTS](/guides/guides_v2-es/audio-y-voz/bark-tts.md) - TTS expresivos
* [SadTalker](/guides/guides_v2-es/cabezas-parlantes/sadtalker.md) - Avatares parlantes


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/f5-tts.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.