CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
ચોક્કસ નિયંત્રણ માટે SSML ટેગોમાં તમારું લખાણ લપેટો:
<speak><prosody rate="slow">Slow speech</prosody></speak>
પસંદ કરેલ મોડેલ સમજે છે તે ટેગ્સ - તમારા લખાણમાં એકને મૂકવા માટે ક્લિક કરો જ્યાં તે થાય છે:
આ મોડેલ સાદા લખાણને વાંચે છે, તેથી અંદરના ટેગો અવગણવામાં આવે છે. ટેગ આધારિત લાગણી માટે, Orpheus અથવા Bark જેવા વ્યક્ત કરવા માટેના મોડેલમાં બદલો.
વૈવિધ્યપૂર્ણ ઉચ્ચારણો વ્યાખ્યાયિત કરો (શબ્દ = ઉચ્ચારણ):
વિશે 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.
માટે શ્રેષ્ઠ: Multilingual production TTS, real-time applications, voice cloning
બધું બ્રાઉઝ કરો CosyVoice3 અવાજોએક નજરમાં
- ડેવલોપર
- Alibaba (FunAudioLLM)
- લાઇસન્સ
- Apache 2.0
- તીર
- standard
- ઝડપ
- fast
- અવાજ ક્લોનિંગ
- હા
- ભાષાઓ
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- મહત્તમ અક્ષરો
- 5000