SpeechT5는 마이크로소프트가 공개한 통합 인코더-디코더 기반 음성-텍스트 사전학습 프레임워크다. 음성 인식, 음성 합성(TTS), 음성 번역, 화자 식별, 음성 변환 등 여러 음성 처리 작업을 하나의 공유 네트워크와 모달리티별 사전/사후 처리 모듈로 수행한다. 대규모 음성-텍스트 페어 데이터로 사전학습된 후 각 태스크에 맞게 파인튜닝할 수 있으며, 사전학습된 체크포인트는 HuggingFace와 Azure Storage 등을 통해 배포된다. Speech2C, SpeechLM, SpeechUT 등 관련 모델도 같은 저장소에서 함께 제공되어 확장 실험이 용이하다. MIT 라이선스로 공개되어 있어 연구 및 상업적 활용에 제약이 적다.