概要
通義実験室のCosyVoiceシリーズに属する高性能な音声合成・音声クローンモデル。テキストを入力し、音声を出力する。Alibaba Cloud Model Studioで利用できる。(help.aliyun.com)
能力と用途
- テキストからのリアルタイム・ストリーミング音声合成に対応。従来版に比べ、自然さ、音質、韻律、感情表現が改善されたとしている。
- 5〜20秒の参照音声からカスタム音声を生成できる。公式説明では、ドイツ語、スペイン語、フランス語、イタリア語、ロシア語への対応拡充にも言及している。(help.aliyun.com)
- 想定用途には、オーディオブック、動画の吹き替え、音声アシスタントがある。(developer.aliyun.com)
制限
公式モデル情報では、Function Calling、構造化出力、Web検索、コンテキストキャッシュ、バッチ推論、モデルのファインチューニングは非対応。最大入力長・最大出力長・コンテキスト長の数値は記載されていない。利用可能な言語や表現制御は選択する音声によって異なる。(help.aliyun.com)
公開日
2025年11月17日。公式のモデル更新一覧では、中国本土向けの同日欄に掲載されている。国際デプロイ向けの掲載日は2026年2月9日。(help.aliyun.com)
料金
以下は通常の音声合成API料金。いずれも入力テキストの文字数に応じた従量課金で、音声出力への別途課金はない。地域・請求サイトごとの料金であり、通貨間の換算値として扱わない。
- 中国国内サイト(CNY):北京リージョンは入力1万文字あたり1元、シンガポールの国際デプロイは入力1万文字あたり0.9541元。(help.aliyun.com)
- 国際サイト(USD):シンガポールの国際デプロイは入力1万文字あたり0.13米ドル、北京リージョンは入力1万文字あたり0.14335米ドル。シンガポールには1万文字の無料枠があり、有効期間はサービス開通・モデル公開・申請承認のうち最も遅い日から90日。(alibabacloud.com)
国内サイトの文字数算定では、漢字は1文字を2文字分、かな・英数字・句読点・空白などは1文字分として数える。SSMLタグ自体は課金文字数に含まれない。料金確認日:2026年11月17日。(help.aliyun.com)