Ce qui le distingue
Son approche (flow matching, non autorégressive) a bonne presse sur la fluidité. Mais le checkpoint de référence publié ne couvre que l'anglais et le chinois : sur notre corpus français, la sortie est inintelligible, avec un taux d'erreur de mot supérieur à 100 %. C'est le seul modèle du benchmark classé « FR non supporté » sur la base d'une mesure, pas d'une lecture de documentation.
Choix techniques
ce que ses auteurs ont décidé, et ce que ça implique337 millions de paramètres par checkpoint
Comptés dans les poids épinglés — le dépôt en livre plusieurs générations côte à côte ; nos runs utilisent F5TTS_v1_Base.
Réglages de génération utilisés
32 étapes de résolution (nfe_step) et un guidage cfg_strength=2.0, valeurs usuelles pour ce modèle.
Langues couvertes
métadonnées et jeu de données de la model card, confirmés par notre mesure (WER > 100 % sur le corpus FR)2 langues — anglais et chinois. Pas de français.
Le checkpoint de référence publié (F5TTS_v1_Base) est entraîné sur le corpus Emilia, en anglais et en chinois. Aucune balise de langue n'est exposée : le modèle applique son vocabulaire phonétique à tout texte qu'on lui donne — d'où une sortie inintelligible sur du français.
Ce qu'on peut régler
paramètres exposés par ce modèleRelevé dans la signature du code réellement installé pour nos runs (et dans la documentation officielle quand elle précise les valeurs recommandées). Chaque modèle expose des leviers différents : c'est souvent là que se joue la différence entre un résultat correct et un bon résultat.
| paramètre | défaut | ce que ça change |
|---|---|---|
| nfe_step | 32 | Nombre d'évaluations du champ de flux — le curseur qualité/vitesse de cette famille de modèles. |
| cfg_strength | 2 | Force du guidage vers le texte et la voix de référence. |
| sway_sampling_coef | -1 | Réglage propre à F5-TTS de la trajectoire d'échantillonnage, présenté dans l'article comme un gain de qualité à faible nombre d'étapes. |
| speed / fix_duration | 1.0 / None | Facteur de vitesse, ou durée imposée en secondes. |
| cross_fade_duration | 0.15 | Fondu enchaîné entre segments lors de la génération d'un texte long découpé. |
| seed | aléatoire | Graine — exposée, contrairement à plusieurs concurrents. |
Ce qu'on mesure sur ce modèle
nos runs, pas les chiffres de l'éditeurDétail complet : table de toutes les métriques · résultats du test d'écoute.
Réglages de génération utilisés
relevés dans les métadonnées de nos runsCes valeurs sont celles réellement passées au modèle pour produire les audios mesurés — pas des réglages recommandés recopiés d'une documentation. Elles sont écrites par l'adaptateur dans le meta.json de chaque run.
À savoir avant de l'utiliser
pièges, limites, nuances de licence- Mesuré ici : 104,6 % et 123,6 % de taux d'erreur de mot selon la voix, avec hallucination détectée sur la quasi-totalité des phrases. Un WER au-dessus de 100 % signifie que la transcription contient plus d'erreurs que de mots attendus — autrement dit, le modèle dit autre chose.
- La licence CC-BY-NC-4.0 exclut de toute façon l'usage commercial.
- Des finetunes français communautaires existent mais ne sont pas maintenus ; nous n'en avons retenu aucun, faute de pouvoir garantir leur reproductibilité.
Sources & vérification
vérifié le 2026-09-12Les comptes de paramètres cités plus haut sont lus directement dans les fichiers de poids de la révision épinglée ci-dessous (en-têtes safetensors / torch), pas repris d'une annonce. Les caractéristiques annoncées proviennent de la model card officielle, liée ici. Les chiffres de performance viennent de nos propres runs.
Note de licence : non commercial