CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Zabaliť text do SSML značiek pre presnú kontrolu:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Značky, ktorým vybraný model rozumie — kliknutím ich umiestnite do textu tam, kde sa vyskytujú:
Tento model číta obyčajný text, takže vnorené značky sa ignorujú.Pre emócie založené na značkách prejdite na expresívny model ako Orpheus alebo Bark.
Definovať vlastné výslovnosti (slovo = výslovnosť):
O nás 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.
Najlepšie pre: Multilingual production TTS, real-time applications, voice cloning
Prehľadávať všetky CosyVoice3 hlasyNa prvý pohľad
- Vývojár
- Alibaba (FunAudioLLM)
- Licencia
- Apache 2.0
- Zvieratá
- standard
- Rýchlosť
- fast
- Klonovanie hlasu
- Áno
- Jazyky
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Max. počet znakov
- 5000