CosyVoice3 ТТС
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Захоўваць тэкст у тэгах SSML для дакладнага кантролю:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Тэгі, якія разумее выбраная мадэль - націсніце, каб перанесці іх у тэкст:
Гэтая мадэль чытае звычайны тэкст, таму ўбудаваныя тэгі ігнаруюцца. Для эмоцый, заснаваных на тэгах, пераключыцеся на мадэлі выразнасці, такія як Orpheus або Bark.
Вызначыць уласнае вымаўленне (слова = вымаўленне):
Пра CosyVoice3
CosyVoice3 is the newest generation from Alibaba's FunAudioLLM team and a clear step up from CosyVoice 2. It introduces bi-streaming inference with roughly 150ms latency and instruction-based control, letting you steer emotion, speed, and volume through prompts. Speaker similarity for zero-shot voice cloning is improved, and coverage spans 9 languages plus 18 Chinese dialects. An RL-tuned variant pushes prosody to a state-of-the-art level. With a 5,000-character ceiling, fast generation, and strong cloning, it's geared toward multilingual production TTS and real-time applications.
Лепшы для: Multilingual production TTS, real-time applications, voice cloning
Прагляд усіх CosyVoice3 галасыКароткае апісанне
- Распрацоўшчык
- Alibaba (FunAudioLLM)
- Ліцэнзія
- Apache 2.0
- Стварыць
- standard
- Хуткасць
- fast
- Клонаванне голасу
- Так
- Мовы
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Найбольшая колькасць знакаў
- 5000