CosyVoice 2 TTS
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
Ձեր տեքստը SSML տեգերի մեջ տեղադրել ճշգրիտ կառավարման համար.
<speak><prosody rate="slow">Slow speech</prosody></speak>
Ընտրված մոդելի կողմից ընկալվող պիտակներ — սեղմեք դրանք ձեր տեքստում տեղադրելու համար:
Այս մոդելը կարդում է պարզ տեքստը, այնպես որ ներառված տեքստերը անտեսվում են։ Տեքստերի վրա հիմնված էմոցիաների համար փոխեք արտահայտիչ մոդել, ինչպես Orpheus կամ Bark։
Որոշել սեփական արտասանությունը (բառ = արտասանություն):
Ընդհանուր 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.
Լավագույնը: Real-time applications, streaming TTS, voice assistants
Ընթերցել բոլորը CosyVoice 2 ձայներՀակառակորդի դիրքը
- Հեղինակ
- Alibaba (Tongyi Lab)
- Լիցենզիա
- Apache 2.0
- Դադար
- standard
- արագություն
- medium
- Ձայնի կլոնավորում
- Այո
- Լեզուներ
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- Օգտագործված ռեժիմ
- 1000