概要
Tongyi LabのCosyVoiceシリーズに属する、プロ向けの音声合成・音声クローニングモデル。テキストから音声を生成し、リアルタイムのストリーミング合成に対応する。読み上げや、カスタム音声を使った音声アプリケーションに利用できる。(alibabacloud.com)
能力と制限
- 公開時の案内では、5~20秒の参照音声からカスタム音声を作成できる。現在のガイドでは10~20秒の音声を推奨している。(help.aliyun.com)
- クローン音声は日本語、中国語、英語、フランス語、ドイツ語、韓国語、ロシア語に対応する。システム音声の対応言語は音声ごとに異なり、公式一覧では中国語と英語が挙げられている。(help.aliyun.com)
- 関数呼び出し、構造化出力、ウェブ検索、コンテキストキャッシュ、バッチ推論、ファインチューニングは非対応。最大入出力長とコンテキスト長は公式モデル情報に数値の記載がない。(alibabacloud.com)
- 非リアルタイム合成では、クローン音声・設計音声に対するinstruction制御は非対応。(alibabacloud.com)
料金
2026年11月18日確認。以下は各公式サイトに掲載された音声合成の従量課金で、入力テキストの文字数に基づき、出力音声には別途課金されない。国内サイトと国際サイトの料金は、異なる提供条件の価格であり、為替換算したものではない。
- 中国国内サイト:北京リージョンは入力10,000文字あたりCNY 2。シンガポールの国際デプロイは入力10,000文字あたりCNY 1.9082。国内公式料金表 (help.aliyun.com)
- 国際サイト:シンガポールの国際デプロイは入力10,000文字あたりUSD 0.26。北京リージョンは入力10,000文字あたりUSD 0.286706。国際公式料金表 (alibabacloud.com)
- CosyVoiceの音声作成自体は無料だが、作成した音声による合成には対象モデルの料金が適用される。音声クローニング公式ガイド (help.aliyun.com)
公開日と公式情報
- 公開日:2025年9月3日。(help.aliyun.com)
- 公式リリース履歴
- 公式モデル情報