CosyVoice3

CosyVoice3 ടിടിഎസ്

Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.

ഒപ്പ് വയ്ക്ക്. 5,000 ക്യാരക്ടര്‍ പരിധിയ്ക്കു്

കൃത്യമായ നിയന്ത്രണത്തിനായി SSML തൊങ്ങലില്‍ വാചകം പൊതിയുക:

<speak><prosody rate="slow">Slow speech</prosody></speak>

തെരഞ്ഞെടുത്ത മാതൃക മനസ്സിലാക്കുന്നത് ടാഗ് (കുടികള്‍) :

ഈ മോഡ് സാധാരണ പദാവലി വായിക്കുന്നു, അതുകൊണ്ട് ഇന്‍ലൈന്‍ തൊങ്ങല്‍ അവഗണിപ്പിക്കുന്നു. ടാഗ് അടിസ്ഥാനപരമായ വികാരങ്ങള്‍ക്കു് ഓര്‍ഫിയസ് അല്ലെങ്കില്‍ ബാര്‍ക് പോലുള്ള ഒരു ചിത്രീകരണ മോഡില്‍ മാറുക.

ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്‍വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):

-12 +12
0.5x 2.0x
പൈപ്പര്‍, വി.ടി.സ്, മെലോട്ടിക്സ്
നിങ്ങള്‍ ഉണ്ടാക്കിയ ഓഡിയോ ഇവിടെ പ്രത്യക്ഷപ്പെടും. ഒരു മാതൃക തെരഞ്ഞെടുക്കുക, പദാവലി നല്‍കുക, നിര്‍മ്മിക്കുക എന്നിവ നിര്‍മ്മിക്കുക.
വിജയകരമായി ഉണ്ടാക്കിയ ശബ്ദങ്ങള്‍
0:00
ഓഡിയോ ഡൌണ്‍ലോഡ് ചെയ്യുക ഡൌണ്‍ലോട് ചെയ്യുക ലിങ്ക് 24hല്‍ അവസാനിച്ചിരിക്കുന്നു
സ്വതന്ത്രമായ അക്ഷരങ്ങളുടെ താഴേയ്ക്ക് പ്രവര്‍ത്തിപ്പിയ്ക്കുന്നു ഓരോ മാസവും 200K അക്ഷരങ്ങള്‍ ലഭ്യമാക്കുക — 550/mo അല്ലെങ്കില്‍ ഒരു സമയം 100K പാക്ക് 5000- നു്
ഇത് നിന്റെ ശബ്ദം തന്നെ ആക്കൂ. ശബ്ദം 30 സെക്കന്‍റില്‍ ക്ലിയര്‍ ചെയ്യുന്നു
ടിടിഎസ് സ്‌നേഹിക്കുന്നു, കൂട്ടുകാരോട് പറയൂ!

സംബന്ധിച്ച് 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.

അതിനു വേണ്ടിയുള്ള ഏറ്റവും നല്ല സ്ഥലം.: Multilingual production TTS, real-time applications, voice cloning

എല്ലാം പരതുക CosyVoice3 ശബ്ദങ്ങള്‍

ഒരു നോക്കുമ്പോള്‍

രചയിതാവു്
Alibaba (FunAudioLLM)
അനുമതി
Apache 2.0
ടിയെര്‍
standard
വേഗത
fast
ശബ്ദമിശ്രണോപാധി
അതെ
ഭാഷകള്‍
English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
ഏറ്റവും കൂടിയ ക്യാരക്ടറുകള്‍
5000

CosyVoice3 ശബ്ദങ്ങള്‍

Chinese Female

Chinese
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Chinese Male

Chinese
സ്റ്റാന്‍ഡേര്‍ഡ് Male

English Female

English
സ്റ്റാന്‍ഡേര്‍ഡ് Female

English Male

English
സ്റ്റാന്‍ഡേര്‍ഡ് Male

French Female

French
സ്റ്റാന്‍ഡേര്‍ഡ് Female

German Female

German
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Italian Female

Italian
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Japanese Female

Japanese
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Korean Female

Korean
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Russian Female

Russian
സ്റ്റാന്‍ഡേര്‍ഡ് Female

Spanish Female

Spanish
സ്റ്റാന്‍ഡേര്‍ഡ് Female

CosyVoice3 ടിടിഎസ്‌ —⁠ എഫ്‌എക്‌സി

CosyVoice3 adds bi-streaming inference at around 150ms latency, instruction-based control over emotion/speed/volume, improved speaker similarity for cloning, and coverage of 9 languages plus 18 Chinese dialects, with an RL-tuned variant for state-of-the-art prosody.

Yes. It supports zero-shot voice cloning from a reference clip (around 3 seconds minimum) with improved speaker similarity over the previous generation.

Yes. CosyVoice3 is licensed under Apache 2.0, permitting commercial use.
← എല്ലാ ശബ്ദങ്ങളും