CosyVoice3 نووسراو بۆ بیستراو
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
نوسراوەکەت بگۆڕە بۆ تگەکانی SSML بۆ کۆنتڕۆڵی ڕاستەقینە:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تگەکان کە مۆدێلی هەڵبژێردراو تێیدەگات - بکەرەوە بۆ ئەوەی یەکێکیان بخەیتە ناو دەقەکەتەوە کە تیایدا ڕوودەدات:
ئەم مۆدێلە نوسراوێکی ئاسایی دەخوێنێتەوە، بۆیە تاگەکانی ناو ڕستە پشتگوێ دەخرێت. بۆ هەستێکی لەسەر بنەمای تاگ، بگەڕێ بۆ مۆدێلێکی دەربڕین وەک ئۆرفیۆس یان بارک.
پێناسەکردنی دەنگی خۆت (وشە = دەنگی):
دەربارەی 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.
باشترین بۆ: Multilingual production TTS, real-time applications, voice cloning
سەردانی هەموویان بکە CosyVoice3 دەنگیچاوپێکەوتن
- پەرەپێدەر
- Alibaba (FunAudioLLM)
- مۆڵەتی بەکارھێنەر
- Apache 2.0
- یهمهن
- standard
- خێرایی
- fast
- دووبارە دروستکردنی دەنگی
- بەڵێ
- زمان
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- زۆرترین پیت
- 5000