CosyVoice 2 TTS
Alibaba Tongyi Lab's streaming TTS reaching human-parity naturalness with near-zero latency and zero-shot cloning.
איבער־פֿאַרקער דעם טעקסט אין SSML הענטלעך פֿאַר אַ פּשוטער קאָנטראָל:
<speak><prosody rate="slow">Slow speech</prosody></speak>
הענטלעך װאָס דער אויסגעקליבן מאָדעל פֿאַרשטײט — קליק צו אַרײַנשרײַבן אײן אין װײַז־טעקסט װוּ עס פּאַסט זיך:
דאָס מאָדעל לייענט נאָרמאַלן טעקסט, אַזוי אַרײַנגעלייגטע הענטלעך ווערן איגנאָרירט. פֿאַר הענטלעך־באזירטע װײַב־איגנאָרירונג, װײַז צו אַ װײַז־מאָדעל װי אורפיאָ אָדער װאַרק
װײַז פֿאָרױסװײַז
אױף 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.
בעסטער פֿאַר: Real-time applications, streaming TTS, voice assistants
בלעטער CosyVoice 2 שריפֿטצײכןאין אַ שריט
- אַנטוויקלער
- Alibaba (Tongyi Lab)
- לינקס
- Apache 2.0
- װײַז
- standard
- שאַטירונג
- medium
- שפּראַך
- יאָ
- שפּראַכן
- English, Chinese, Japanese, Korean, French, German, Italian, Spanish
- גרעסטע שריפֿטצײכן
- 1000