CosyVoice 2 ТТС
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
Опаковка на вашия текст в SSML тагове за точен контрол:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Етикети избрания модел разбира — кликнете за да пуснете един в вашия текст, където се случва:
Този модел чете обикновен текст, така че в линия тагове се пренебрегват. За емоции, базирани на таг, превключете на експресивен модел като Orpheus или Bark.
Определяне на своите изговори (слово = произношение):
За CosyVoice 2
CosyVoice 2, from Alibaba's Tongyi Lab, was designed to make high-quality speech viable in real time. It uses a finite scalar quantization approach combined with flow matching to support streaming synthesis at extremely low latency, while reaching human-comparable naturalness that outperforms many commercial systems in subjective tests. Beyond quality, it offers zero-shot voice cloning from about 3 seconds of audio, cross-lingual synthesis, and fine-grained emotion control. Covering 8 languages with a 1,000-character cap, it's a strong fit for voice assistants, streaming TTS, and other real-time applications.
Най-добро за: Real-time applications, streaming TTS, voice assistants
Преглед на всички CosyVoice 2 гласовеНа един поглед.
- Разработчик
- Alibaba (Tongyi Lab)
- Лиценз
- Apache 2.0
- Ниво на равнището
- standard
- Скорост
- medium
- Гласово клониране
- Да.
- Езици
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- Макс. символи
- 1000