CosyVoice 2 TTS
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
ସଠିକ ନିୟନ୍ତ୍ରଣ ପାଇଁ SSML ଟ୍ୟାଗଗୁଡ଼ିକରେ ଆପଣଙ୍କର ପାଠ୍ୟକୁ ଲଗାନ୍ତୁ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ବଚ୍ଛିତ ନମୁନା ବୁଝିଥିବା ସୂଚକଗୁଡ଼ିକ - ଏହା ଘଟୁଥିବା ସ୍ଥାନକୁ ଆପଣଙ୍କର ପାଠ୍ୟରେ ଗୋଟିଏ ପକାଇବା ପାଇଁ କ୍ଲିକ କରନ୍ତୁ:
ଏହି ଆକାର ସରଳ ପାଠ୍ୟ ପଢ଼େ, ତେଣୁ ଅନ୍ତର୍ନିହିତ ସୂଚକଗୁଡ଼ିକୁ ଅଣଦେଖା କରାଯାଏ। ସୂଚକ ଆଧାରିତ ଅନୁଭୂତି ପାଇଁ, ଗୋଟିଏ ଅଭିବ୍ୟକ୍ତିମୂଳକ ଆକାରକୁ ପରିବର୍ତ୍ତନ କରନ୍ତୁ ଯେପରିକି Orpheus କିମ୍ବା Bark।
ଇଚ୍ଛାରୂପୀ ଉଚ୍ଚାରଣକୁ ବର୍ଣ୍ଣନା କରନ୍ତୁ (ଶବ୍ଦ = ଉଚ୍ଚାରଣ):
ବିଷୟରେ 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.
ପାଇଁ ଉତ୍ତମ: Real-time applications, streaming TTS, voice assistants
ସମସ୍ତଙ୍କୁ ବ୍ରାଉଜ କରନ୍ତୁ CosyVoice 2 ଧ୍ୱନିଗୋଟିଏ ନଜରରେ
- ବିକାଶକାରୀ
- Alibaba (Tongyi Lab)
- ଅନୁମତିପତ୍ର
- Apache 2.0
- ତିଆର
- standard
- ବେଗ
- medium
- ଧ୍ୱନି କ୍ଲୋନିଂ
- ହଁ
- ଭାଷାName
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- ସର୍ବାଧିକ ଅକ୍ଷର
- 1000