CosyVoice3 ТТС
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Опаковка на вашия текст в SSML тагове за точен контрол:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Етикети избрания модел разбира — кликнете за да пуснете един в вашия текст, където се случва:
Този модел чете обикновен текст, така че в линия тагове се пренебрегват. За емоции, базирани на таг, превключете на експресивен модел като Orpheus или Bark.
Определяне на своите изговори (слово = произношение):
За 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.
Най-добро за: Multilingual production TTS, real-time applications, voice cloning
Преглед на всички CosyVoice3 гласовеНа един поглед.
- Разработчик
- Alibaba (FunAudioLLM)
- Лиценз
- Apache 2.0
- Ниво на равнището
- standard
- Скорост
- fast
- Гласово клониране
- Да.
- Езици
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Макс. символи
- 5000