CosyVoice là mô hình chuyển văn bản thành giọng nói (TTS) mã nguồn mở được phát triển bởi nhóm nghiên cứu của Tập đoàn Alibaba và là công nghệ hỗ trợ nhân bản giọng nói zero-shot giúp tái tạo chất lượng giọng nói của người nói từ một vài giây mẫu giọng nói.
CosyVoice là mô hình chuyển văn bản thành giọng nói (TTS) mã nguồn mở do nhóm nghiên cứu Tongyi của Alibaba phát hành và có chức năng sao chép giọng nói không cần ngắt quãng để tái tạo chất lượng giọng nói và ngữ điệu của người nói từ một vài giây mẫu giọng nói, cũng như hỗ trợ đọc đa ngôn ngữ và chuyển đổi mã. Không giống như TTS thương mại tính phí API đám mây, bạn có thể tự lưu trữ nó, giúp bạn dễ dàng tránh được các khoản phí trả cho mỗi lần sử dụng về mặt chi phí, nhưng chi phí bổ sung để xây dựng và bảo trì máy chủ GPU là một cạm bẫy thường bị bỏ qua trong hoạt động thực tế. Trong lĩnh vực này tính đến năm 2026, người ta đã chỉ ra rằng mặc dù bản thân mô hình này là miễn phí nhưng độ chính xác của việc điều chỉnh tốt biểu hiện cảm xúc và ngữ điệu tiếng Nhật sẽ kém hơn so với các dịch vụ thương mại và người ta cho rằng việc lựa chọn sử dụng CosyVoice để xác minh nguyên mẫu và tạo hàng loạt theo định hướng chi phí cũng như TTS trả phí cho tường thuật thương mại hướng đến chất lượng đang trở nên phổ biến hơn. Người ta đã chỉ ra rằng nếu tiến hành sản xuất hàng loạt mà không kiểm tra trước các điều kiện cấp phép và ký hiệu quyền của âm thanh được tạo ra thì sẽ có nguy cơ phải làm lại ở các giai đoạn sau.