CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
ਸਹੀ ਕੰਟਰੋਲ ਲਈ SSML ਟੈਗ ਵਿੱਚ ਆਪਣਾ ਪਾਠ ਲਪੇਟੋ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ਟੈਗ, ਜੋ ਕਿ ਚੁਣੇ ਮਾਡਲ ਸਮਝਦਾ ਹੈ - ਆਪਣੇ ਪਾਠ ਵਿੱਚ ਇੱਕ ਟੈਗ ਸੁੱਟਣ ਲਈ ਕਲਿੱਕ ਕਰੋ, ਜਿੱਥੇ ਇਹ ਹੁੰਦਾ ਹੈ:
ਇਹ ਮਾਡਲ ਸਾਦਾ ਪਾਠ ਪੜ੍ਹਦਾ ਹੈ, ਇਸ ਲਈ ਇੰਲਾਈਨ ਟੈਗ ਅਣਡਿੱਠੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ । ਟੈਗ- ਅਧਾਰਿਤ ਈਮੋਸ਼ਨ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਮਾਡਲ ਜਿਵੇਂ ਕਿ Orpheus ਜਾਂ Bark ਲਈ ਬਦਲੋ ।
ਪਸੰਦੀਦਾ ਉਚਾਰਨ ਦਿਓ (ਸ਼ਬਦ = ਉਚਾਰਨ):
ਬਾਰੇ 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.
ਇਸ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ: Multilingual production TTS, real-time applications, voice cloning
ਸਭ ਝਲਕ CosyVoice3 ਆਵਾਜ਼ਾਂਇੱਕ ਨਜ਼ਰ
- ਡਿਵੈਲਪਰ
- Alibaba (FunAudioLLM)
- ਲਾਈਸੈਂਸ
- Apache 2.0
- ਟੀਅਰ
- standard
- ਗਤੀ
- fast
- ਬੋਲੀ ਕਲੋਨਿੰਗ
- ਹਾਂ
- ਭਾਸ਼ਾਵਾਂ
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- ਵੱਧੋ- ਵੱਧ ਅੱਖਰ
- 5000