CosyVoice 2 ТТС
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:
Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.
Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):
Бәйләнешләр 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.
Иң яхшысы: Real-time applications, streaming TTS, voice assistants
Барлыгын карау CosyVoice 2 тавышларБер карашка
- Программист
- Alibaba (Tongyi Lab)
- Лицензия
- Apache 2.0
- Гыйнвар
- standard
- Югары тизлек
- medium
- Сүзләрне клонлау
- Әйе
- Телләр
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- Макс. символлар саны
- 1000