CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
برای کنترل دقیق ، متن خود را در برچسبهای SSML بپیچید:
<speak><prosody rate="slow">Slow speech</prosody></speak>
برچسبهایی که مدل برگزیده میفهمد — برای انداختن یکی در متن خود ، جایی که اتفاق میافتد ، کلیک کنید:
این مدل متن ساده را میخواند ، بنابراین برچسبهای خطی نادیده گرفته میشوند. برای احساسات مبتنی بر برچسب ، به یک مدل بیانی مانند Orpheus یا Bark تغییر دهید.
تعریف تلفظ سفارشی) کلمه = تلفظ (:
در مورد 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.
بهترین برای: Multilingual production TTS, real-time applications, voice cloning
مرور همۀ CosyVoice3 صداهايه نگاهي بنداز
- توسعهدهنده
- Alibaba (FunAudioLLM)
- مجوز
- Apache 2.0
- حیوان
- standard
- سرعت
- fast
- شبیهسازی صدا
- آره
- زبانها
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- بیشینه نویسهها
- 5000