F5-TTS Integration

### Model/Pipeline/Scheduler description

F5-TTS is a fully non-autoregressive text-to-speech system based on flow matching with Diffusion Transformer (DiT).
It has excellent voice cloning capabilities, and audio generation is of quite high quality.

### Open source status

- [X] The model implementation is available.
- [X] The model weights are available (Only relevant if addition is not a scheduler).

### Provide useful links for the implementation

Paper - https://arxiv.org/abs/2410.06885
Code - https://github.com/SWivid/F5-TTS?tab=readme-ov-file
Weights - https://huggingface.co/SWivid/F5-TTS

Author - @SWivid

Comienza leyendo el paper de F5-TTS y la implementación enlazada de SWivid/F5-TTS; después, inspecciona los pesos del modelo en Hugging Face. Compara la arquitectura existente de diffusers para la generación de audio con F5-TTS para determinar los puntos de integración. La tarea se considera terminada cuando F5-TTS sea compatible con diffusers, pero el issue no define archivos, pruebas ni criterios de aceptación específicos.

Escrito por el modelo de indexación a partir del texto del issue.