CosyVoice3 ТТС
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:
Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.
Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):
Бәйләнешләр 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.
Иң яхшысы: Multilingual production TTS, real-time applications, voice cloning
Барлыгын карау CosyVoice3 тавышларБер карашка
- Программист
- Alibaba (FunAudioLLM)
- Лицензия
- Apache 2.0
- Гыйнвар
- standard
- Югары тизлек
- fast
- Сүзләрне клонлау
- Әйе
- Телләр
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- Макс. символлар саны
- 5000