CosyVoice3 ТТС
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Тодорхой хяналтын тулд SSML тэмдгээр текстээ буулгах:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Бүх
Энэ загвар нь энгийн утга уншдаг, тиймээс доторх тэмдгийг үл тоомсорлодог. Тэг- суурилсан сэтгэл хөдлөл, Orpheus эсвэл Bark- шиг илэрхийлэх загвар руу шилжинэ.
Өөрийн дуудлагыг тодорхойлох (үг = дуудлага):
Тодорхойлолт 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.
Хамгийн сайн: Multilingual production TTS, real-time applications, voice cloning
Бүхнийг харах CosyVoice3 дуунуудНүүр хуудас
- Хөгжүүлэгч
- Alibaba (FunAudioLLM)
- Лиценз
- Apache 2.0
- Үхрийн
- standard
- Хурд
- fast
- Дууны дугуй
- Тийм
- Хэл
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Хамгийн их үсэг
- 5000