アリババ発の次世代音声生成AI。わずか3秒のサンプル音声から声質を再現し、母国語以外も流暢に発音。
アリババ通義研究所がオープンソース公開。3秒の音声から瞬時にクローンし、多言語発話や感情制御に対応。
CosyVoiceはアリババ研究所が手掛けた注目の音声生成エンジンです。最大の強みは3秒の音声から即座に声質を模倣するゼロショット能力。追加の学習なしに話者の声の特徴を捉え、日本語や英語など別言語を違和感なく喋らせることが可能。感情の細かな指定や発話リズムの調整にも対応し、開発者コミュニティで高い評価を得ています。