Cosy Voice

CosyVoiceは、オープンソースの多言語音声生成モデルであり、「大規模音声生成とデプロイのフルスタックソリューション」として位置付けられています。テキストからの自然な音声生成、クロスリンガル音声クローニング、感情制御などの高度な機能をサポートし、TTS（Text-to-Speech）、音声アシスタント、ポッドキャスト合成などのシナリオに適しています。

CosyVoiceは、FunAudioLLM組織によって開発され、Apache-2.0ライセンスでオープンソース化されており、コミュニティからの注目度と活発さが高いです。

1、コアハイライト

? 多言語・方言サポート

中国語、英語、日本語、韓国語などの主要言語をサポート。

広東語、四川語、上海語など、さまざまな中国語方言をプロダクションレベルでサポート。

クロスリンガル、混合言語の音声クローニングと合成をサポート。

⚡ 低遅延リアルタイム生成

双方向ストリーミング推論メカニズムを導入し、最初のパケット遅延は約150msにまで低減。

文字を入力しながら音声を出力するシナリオでもスムーズさを維持できます。

? 高自然度と制御性

発音精度を改善し、全体的な品質は初期バージョンより明らかに優れています。

感情、話速、音量などの制御タグをサポート（APIまたはサービスレベルで設定可能）。

? ゼロショット音声クローニング

大量のサンプルを必要とせず、1つの音声サンプルから似た声の音声出力を生成可能（Zero-shot Voice Cloning）。

2、コア機能とモジュール