CosyVoice 2 TTS
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
ચોક્કસ નિયંત્રણ માટે SSML ટેગોમાં તમારું લખાણ લપેટો:
<speak><prosody rate="slow">Slow speech</prosody></speak>
પસંદ કરેલ મોડેલ સમજે છે તે ટેગ્સ - તમારા લખાણમાં એકને મૂકવા માટે ક્લિક કરો જ્યાં તે થાય છે:
આ મોડેલ સાદા લખાણને વાંચે છે, તેથી અંદરના ટેગો અવગણવામાં આવે છે. ટેગ આધારિત લાગણી માટે, Orpheus અથવા Bark જેવા વ્યક્ત કરવા માટેના મોડેલમાં બદલો.
વૈવિધ્યપૂર્ણ ઉચ્ચારણો વ્યાખ્યાયિત કરો (શબ્દ = ઉચ્ચારણ):
વિશે 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.
માટે શ્રેષ્ઠ: Real-time applications, streaming TTS, voice assistants
બધું બ્રાઉઝ કરો CosyVoice 2 અવાજોએક નજરમાં
- ડેવલોપર
- Alibaba (Tongyi Lab)
- લાઇસન્સ
- Apache 2.0
- તીર
- standard
- ઝડપ
- medium
- અવાજ ક્લોનિંગ
- હા
- ભાષાઓ
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- મહત્તમ અક્ષરો
- 1000