CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Ձեր տեքստը SSML տեգերի մեջ տեղադրել ճշգրիտ կառավարման համար.
<speak><prosody rate="slow">Slow speech</prosody></speak>
Ընտրված մոդելի կողմից ընկալվող պիտակներ — սեղմեք դրանք ձեր տեքստում տեղադրելու համար:
Այս մոդելը կարդում է պարզ տեքստը, այնպես որ ներառված տեքստերը անտեսվում են։ Տեքստերի վրա հիմնված էմոցիաների համար փոխեք արտահայտիչ մոդել, ինչպես Orpheus կամ Bark։
Որոշել սեփական արտասանությունը (բառ = արտասանություն):
Ընդհանուր 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.
Լավագույնը: Multilingual production TTS, real-time applications, voice cloning
Ընթերցել բոլորը CosyVoice3 ձայներՀակառակորդի դիրքը
- Հեղինակ
- Alibaba (FunAudioLLM)
- Լիցենզիա
- Apache 2.0
- Դադար
- standard
- արագություն
- fast
- Ձայնի կլոնավորում
- Այո
- Լեզուներ
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Օգտագործված ռեժիմ
- 5000