Was ist Fun-CosyVoice3?
Fun-CosyVoice3-0.5B-2512 ist die offene Version von CosyVoice 3, der Text-to-Speech-Reihe des Tongyi-Sprachteams von Alibaba, veröffentlicht im Dezember 2025 zusammen mit einer per Reinforcement Learning (RL) abgestimmten Variante. Mit 0,5 Milliarden Parametern spricht es Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Spanisch, Französisch, Italienisch und Russisch, dazu mehr als 18 chinesische Dialekte und Akzente wie Kantonesisch, Minnan und Sichuanesisch.
Es klont eine Stimme zero-shot, innerhalb einer Sprache oder sprachübergreifend, nimmt Anweisungen zu Sprache, Dialekt, Emotion, Tempo und Lautstärke an, versteht Tags wie [breath] und lässt dich die Aussprache mit Pinyin oder CMU-Phonemen korrigieren. Es streamt Text hinein und Audio heraus, mit einer Latenz, die das Team mit nur 150 ms angibt. Die Gewichte stehen unter Apache 2.0; die Hugging-Face-Seite verzeichnet rund 260.000 Downloads im vergangenen Monat.
Was kostet Fun-CosyVoice3?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Self-hosted | Free | Apache 2.0 |
| cosyvoice-v3-flash (Model Studio) | $0.13 per 10,000 characters | Region Singapur; 10.000 Zeichen 90 Tage lang gratis |
| cosyvoice-v3-plus (Model Studio) | $0.26 per 10,000 characters | Region Singapur; 10.000 Zeichen 90 Tage lang gratis |
Kostenlos unter Apache 2.0. Alibaba Clouds gehostetes cosyvoice-v3-flash kostet international $0.13 und cosyvoice-v3-plus $0.26 pro 10.000 Zeichen.
Lohnt sich Fun-CosyVoice3?
Fun-CosyVoice3 ist die stärkste offene Wahl für chinesische Dialekte, und mit 0,5B Parametern ist es klein genug für Echtzeit-Sprachagenten. Wenige offene Modelle beherrschen Kantonesisch, Minnan und mehr als ein Dutzend regionale Akzente aus einem Checkpoint, und noch weniger tun das unter Apache 2.0 mit Streaming, das das Team mit nur 150 ms angibt.
Die Genauigkeitswerte stützen das beim Chinesischen. In den Testsätzen des Teams erreicht die RL-Variante eine Zeichenfehlerrate von 0,81% im Chinesischen und 5,44% im schweren Satz, die niedrigsten Werte in seiner Tabelle und besser als ByteDances Seed-TTS mit 1,12% und 7,59%. Englisch ist mit 1,68% solide, aber nicht führend. Der Preis ist die Stimmähnlichkeit: Die Sprecherähnlichkeit der RL-Variante liegt im Englischen bei 69,5 gegenüber 76,2 für Seed-TTS, und das Basismodell bleibt mit 71,8 näher an der Stimme, macht aber mehr Fehler.
Für den Betrieb sagt das Repository, dass CosyVoice 2 und 3 auf vLLM 0.9.0 und 0.11 oder neuer laufen. Eine TensorRT-LLM-Laufzeit mit etwa vierfacher Beschleunigung ist nur für CosyVoice 2 dokumentiert. Ein VRAM-Wert ist nicht veröffentlicht. Alibaba verkauft außerdem gehostete CosyVoice-v3-Modelle in Model Studio zu $0.13 und $0.26 pro 10.000 Zeichen, also $13 und $26 pro Million, sagt aber nicht, ob sie diesen Gewichten entsprechen.
Der Haken: Schutzmaßnahmen gegen Missbrauch gibt es gar nicht. Das Repository bezeichnet seine Inhalte als 'nur für akademische Zwecke', doch die Gewichte stehen unter Apache 2.0, es gibt kein Wasserzeichen, keinen Hinweis auf Einwilligung und keine Vorgaben zu Referenzclips. Die Roadmap des Projekts hat keine Einträge für 2026, und die offene Reihe endet weiter bei 0,5B, während Alibabas gehostetes CosyVoice schon bei v3.5 ist.
Unser Fazit: Für einen Sprachagenten für den chinesischen Markt ist Fun-CosyVoice3 der Maßstab; außerhalb des Chinesischen geht der Vergleich gegen VoxCPM2 und Qwen3-TTS, und jedes Team sollte vor der Entscheidung selbst hineinhören.
Wo es sich lohnt
Ein Kundenservice-Team eines Fintechs in Guangdong
Anrufe auf Kantonesisch und Mandarin mit einer Markenstimme beantworten
Klone die Markenstimme einmal und weise das Modell pro Anruf an, Kantonesisch oder Mandarin zu sprechen; streame über vLLM für erstes Audio nach rund 150 ms. Apache 2.0 heißt: keine Gebühr pro Minute.
Ein regionales Medienunternehmen, das Kurzvideos produziert
Dasselbe Skript auf Sichuanesisch, Shanghainesisch und Minnan vertonen
Gib Dialektanweisungen mit einem einzigen Sprecherclip mit und korrigiere Namen mit Pinyin-Tags wie [j][ǐ]. Das gehostete cosyvoice-v3-flash zu $0.13 pro 10.000 Zeichen ist eine Option, wenn keine GPU frei ist.
Ein ML-Ingenieur, der mit kleinem Budget einen mehrsprachigen Sprachagenten baut
Zwischen Genauigkeit und Stimmähnlichkeit wählen
Nutze die RL-Variante, wo Wörter stimmen müssen (0,81% Fehlerrate im Chinesischen), und das Basismodell, wo die geklonte Stimme wichtiger ist (78,0 Ähnlichkeit im Chinesischen gegenüber 77,4).
Bevor du dich festlegst
- Einrichtung
- Repository mit --recursive klonen, eine Conda-Umgebung mit Python 3.10 anlegen, Abhängigkeiten installieren und die Gewichte mit snapshot_download laden. Das optionale Paket ttsfrd verbessert die Textnormalisierung.
- Integrationen
- Python-API, vLLM 0.9.0 und 0.11 oder neuer, Gradio-Demo auf ModelScope. Alibaba Cloud Model Studio verkauft gehostetes cosyvoice-v3-flash und cosyvoice-v3-plus.
- Daten und Datenschutz
- Selbst gehostet, Text und Referenzaudio bleiben also lokal. In Model Studio gelten für die Datenverarbeitung die Bedingungen von Alibaba Cloud. Die offene Version enthält keine Einwilligungs- oder Wasserzeichenmaßnahmen.
- Kosten im großen Maßstab
- Gewichte kostenlos; mit gehostetem cosyvoice-v3-flash zu $0.13 pro 10.000 Zeichen kosten 50 Millionen Zeichen im Monat etwa $650, mit v3-plus etwa $1,300.
- Grenzen
- Neun Sprachen; kein veröffentlichter VRAM-Bedarf und keine maximale Textlänge; TensorRT-LLM-Beschleunigung nur für CosyVoice 2 dokumentiert.
Was gut ist
- 0,81% Zeichenfehlerrate im Chinesischen mit der RL-Variante, vor Seed-TTS
- Über 18 chinesische Dialekte und Akzente aus einem Checkpoint
- Streaming mit Latenz ab 150 ms, vLLM-Unterstützung
- Apache 2.0 bei 0,5B Parametern
Was nicht
- Kein Wasserzeichen, keine Einwilligungsprüfung, keine Hinweise zu Missbrauch
- Die RL-Variante tauscht Sprecherähnlichkeit gegen Genauigkeit
- Kein veröffentlichter VRAM-Wert und keine Roadmap-Einträge für 2026
- Neun Sprachen, weniger als VoxCPM2 oder OmniVoice
Am besten für
Teams, die chinesischsprachige Sprachagenten oder Dialektinhalte bauen und ein kleines, kommerziell nutzbares Modell selbst betreiben wollen.
Alternativen zu Fun-CosyVoice3
Fun-CosyVoice3: häufige Fragen
- Lohnt sich Fun-CosyVoice3?
- Fun-CosyVoice3 ist der kleine, schnelle, Apache-lizenzierte Kloner der Wahl für Chinesisch und seine Dialekte und eine solide Option für Streaming-Agenten in acht weiteren Sprachen. Wir bewerten es mit 3.9 von 5.
- Was kostet Fun-CosyVoice3?
- Kostenlos unter Apache 2.0. Alibaba Clouds gehostetes cosyvoice-v3-flash kostet international $0.13 und cosyvoice-v3-plus $0.26 pro 10.000 Zeichen.
- Welche Nachteile hat Fun-CosyVoice3?
- Kein Wasserzeichen, keine Einwilligungsprüfung, keine Hinweise zu Missbrauch; Die RL-Variante tauscht Sprecherähnlichkeit gegen Genauigkeit; Kein veröffentlichter VRAM-Wert und keine Roadmap-Einträge für 2026; Neun Sprachen, weniger als VoxCPM2 oder OmniVoice.
- Für wen eignet sich Fun-CosyVoice3?
- Teams, die chinesischsprachige Sprachagenten oder Dialektinhalte bauen und ein kleines, kommerziell nutzbares Modell selbst betreiben wollen.
- Was kostet Fun-CosyVoice3 für ein Team oder im Produktivbetrieb?
- Gewichte kostenlos; mit gehostetem cosyvoice-v3-flash zu $0.13 pro 10.000 Zeichen kosten 50 Millionen Zeichen im Monat etwa $650, mit v3-plus etwa $1,300.
- Ist Fun-CosyVoice3 sicher für Firmendaten?
- Selbst gehostet, Text und Referenzaudio bleiben also lokal. In Model Studio gelten für die Datenverarbeitung die Bedingungen von Alibaba Cloud. Die offene Version enthält keine Einwilligungs- oder Wasserzeichenmaßnahmen.
- Was sind die besten Alternativen zu Fun-CosyVoice3?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3-TTS, VoxCPM2, IndexTTS-2.5 und OmniVoice.
Antworten geprüft am 7. Nov. 2026.