CosyVoice 2 ТТС
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Real-time applications, streaming TTS, voice assistants
Баарын кароо CosyVoice 2 үнБир көз салуу
- Жазуучу
- Alibaba (Tongyi Lab)
- Лицензия
- Apache 2.0
- Тигр
- standard
- Жылдамдыгы
- medium
- Сөздү клондоо
- Ооба
- Тилдер
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- Макс. символдор
- 1000