Fun-CosyVoice 3.0

Fun-CosyVoice 3.0 pochodzi z FunAudioLLM, laboratorium mowy Alibaby, i jest trzecim pokoleniem linii zapoczątkowanej w 2024 roku — na długo przed tym, zanim zespół Qwen wydał własny silnik głosowy. Alibaba sprzedaje więc dziś dwa otwarte modele syntezy mowy naraz, a to nie jest ten sam produkt. Qwen3-TTS, opublikowany sześć tygodni później, jest szerszy w językach świata i szybciej zaczyna mówić; CosyVoice 3 idzie zamiast tego w głąb chińszczyzny, obejmując ponad osiemnaście regionalnych dialektów i akcentów — kantoński, minnan, syczuański, szanghajski, tiencinski, gansu i kolejne — przy dziewięciu językach świata. Cechą, która wyróżnia go w pracy produkcyjnej, jest punktowa poprawka wymowy: gdy model przeczyta słowo źle, operator może przypiąć akurat to jedno słowo do konkretnego chińskiego pinyinu albo angielskich fonemów CMU, zamiast nagrywać od nowa, przepisywać zdanie czy cokolwiek douczać. Obok tego model sam normalizuje tekst — liczby, symbole i sformatowane ciągi czyta bez osobnego modułu reguł, którego wymagają starsze systemy — a polecenia dotyczące języka, dialektu, emocji, tempa i głośności przyjmuje zwykłym zdaniem. Synteza działa dwustronnie strumieniowo: tekst może napływać strumieniem, a dźwięk strumieniem wychodzi, przy opóźnieniu schodzącym do około 150 milisekund. Klonowanie głosu odbywa się bez douczania, także między językami, więc głos pobrany w jednym języku może czytać w innym. Wagi mają 0,5 mld parametrów i licencję Apache 2.0, a obok modelu bazowego wychodzi wariant douczony metodą wzmacniania. Na Hugging Face jest to najczęściej polubiony model tego laboratorium.

▸Wideo

Brak materiałów wideo.

▸Recenzje