Fun-CosyVoice 3.0
Преобразование текста в речь (TTS), основанная на больших языковых моделях, которая превосходит своего предшественника CosyVoice 2.0 по всем ключевым параметрам
0.5B параметров при конкурентном качестве
9 основных языков: китайский, английский, японский, корейский, немецкий, испанский, французский, итальянский, русский
Zero-shot клонирование голоса для многоязычного и кросс-лингвального синтеза
Достигла sota по точности содержания, сходству с голосом и естественности просодии
Сверхнизкая задержка, потоковая генерация с латентностью всего 150 мс при сохранении высокого качества аудио
Поддержка инструкций: языки, диалекты, эмоции, скорость, громкость
Коррекция произношения с помощью китайского Pinyin и английских CMU фонем
Автоматическая нормализация текста без традиционного фронтенд-модуля
RL версия показала лучшие результаты по точности среди всех open-source моделей
