CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
توغرا كونترول قىلىش ئۈچۈن تېكىستنى SSML تېگلىرى ئىچىگە ئايلاندۇرۇش:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تاللانغان مودېل چۈشىنىدىغان تېگلەر - بىرىنى تېكىستىڭىزگە چۈشۈرۈش ئۈچۈن چېكىڭ:
بۇ مودىل ئاددىي تېكىستنى ئوقۇيدۇ، شۇڭا سۈرەتتە بار چەكلىمىلەر قوبۇل قىلىنمايدۇ. چەكلىمىلەرگە ئاساسەن ھېسسىياتنى ئىپادىلەش ئۈچۈن Orpheus ياكى Bark دەك ئىپادىلەش مودىلىغا ئۆزگەرتىشكە بولىدۇ.
خالىغان ئىپادىلەشنى بەلگىلەش (سۆز = ئىپادىلەش):
توغرىسىدا 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.
ئەڭ ياخشىسى: Multilingual production TTS, real-time applications, voice cloning
ھەممىنى كۆرۈش CosyVoice3 ئاۋازلاربىر كۆزىتىش
- ئىجادىيەتچى
- Alibaba (FunAudioLLM)
- ئىجازەتنامە
- Apache 2.0
- ھايۋان
- standard
- تېزلىك
- fast
- ئاۋازنى كۆچۈرۈش
- ھەئە
- تىللار
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- ئەڭ كۆپ ھەرپ
- 5000