CosyVoice3 ТТС
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Умотајте текст у ССМЛ ознаке за прецизну контролу:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Означе изабрани модел разуме — кликните да га испустите у текст где се то дешава:
Овај модел чита обичан текст, па се ознаке за успостављене на линији игноришу. За емоције засноване на ознакама пребаците на изражавајући модел попут Орфеја или Барка.
Дефинишите посебне изговоре (слов = изговор):
О 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.
Најбоље за: Multilingual production TTS, real-time applications, voice cloning
Прегледај све CosyVoice3 гласовиНа један поглед
- Програмер
- Alibaba (FunAudioLLM)
- Лиценца
- Apache 2.0
- Низ
- standard
- Брзина
- fast
- Гласово клонирање
- Да.
- језици
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Макс. знакова
- 5000