CosyVoice3 TTS
Alibaba FunAudioLLM's latest multilingual model with ~150ms bi-streaming, instruction control, and zero-shot cloning.
איבער־פֿאַרקער דעם טעקסט אין SSML הענטלעך פֿאַר אַ פּשוטער קאָנטראָל:
<speak><prosody rate="slow">Slow speech</prosody></speak>
הענטלעך װאָס דער אויסגעקליבן מאָדעל פֿאַרשטײט — קליק צו אַרײַנשרײַבן אײן אין װײַז־טעקסט װוּ עס פּאַסט זיך:
דאָס מאָדעל לייענט נאָרמאַלן טעקסט, אַזוי אַרײַנגעלייגטע הענטלעך ווערן איגנאָרירט. פֿאַר הענטלעך־באזירטע װײַב־איגנאָרירונג, װײַז צו אַ װײַז־מאָדעל װי אורפיאָ אָדער װאַרק
װײַז פֿאָרױסװײַז
אױף 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.
בעסטער פֿאַר: Multilingual production TTS, real-time applications, voice cloning
בלעטער CosyVoice3 שריפֿטצײכןאין אַ שריט
- אַנטוויקלער
- Alibaba (FunAudioLLM)
- לינקס
- Apache 2.0
- װײַז
- standard
- שאַטירונג
- fast
- שפּראַך
- יאָ
- שפּראַכן
- English, Chinese, Japanese, Korean, German, Spanish, French, Italian, Russian
- גרעסטע שריפֿטצײכן
- 5000