¿Qué es Fun-CosyVoice3?
Fun-CosyVoice3-0.5B-2512 es la versión abierta de CosyVoice 3, la línea de texto a voz del equipo de voz Tongyi de Alibaba, publicada en diciembre de 2025 junto con una variante ajustada con aprendizaje por refuerzo (RL). Con 0,5 mil millones de parámetros habla chino, inglés, japonés, coreano, alemán, español, francés, italiano y ruso, además de más de 18 dialectos y acentos chinos como el cantonés, el minnan y el sichuanés.
Clona una voz zero-shot, dentro de un idioma o entre idiomas, acepta instrucciones sobre idioma, dialecto, emoción, velocidad y volumen, admite etiquetas como [breath] y permite corregir la pronunciación con Pinyin o fonemas CMU. Hace streaming de texto de entrada y audio de salida con una latencia que el equipo sitúa en apenas 150 ms. Los pesos están bajo Apache 2.0; la página de Hugging Face registra unas 260.000 descargas en el último mes.
¿Cuánto cuesta Fun-CosyVoice3?
| Plan | Precio | Qué incluye |
|---|---|---|
| Self-hosted | Free | Apache 2.0 |
| cosyvoice-v3-flash (Model Studio) | $0.13 per 10,000 characters | Región de Singapur; 10.000 caracteres gratis durante 90 días |
| cosyvoice-v3-plus (Model Studio) | $0.26 per 10,000 characters | Región de Singapur; 10.000 caracteres gratis durante 90 días |
Gratis bajo Apache 2.0. El cosyvoice-v3-flash alojado de Alibaba Cloud cuesta $0.13 y el cosyvoice-v3-plus $0.26 por 10.000 caracteres a nivel internacional.
¿Merece la pena Fun-CosyVoice3?
Fun-CosyVoice3 es la mejor opción abierta para los dialectos chinos, y con 0,5B parámetros es lo bastante pequeño para agentes de voz en tiempo real. Pocos modelos abiertos manejan el cantonés, el minnan y más de una docena de acentos regionales desde un solo checkpoint, y menos aún lo hacen bajo Apache 2.0 con un streaming que el equipo sitúa en apenas 150 ms.
Las cifras de precisión lo respaldan en chino. En los conjuntos de prueba del equipo, la variante RL registra una tasa de error de caracteres del 0,81% en chino y del 5,44% en el conjunto difícil, las más bajas de su tabla y por delante de Seed-TTS de ByteDance, con 1,12% y 7,59%. El inglés es sólido pero no líder, con 1,68%. La contrapartida es el parecido de la voz: la similitud de hablante de la variante RL en inglés es de 69,5 frente a 76,2 de Seed-TTS, y el modelo base, con 71,8, se acerca más a la voz a costa de más errores.
Para servirlo, el repositorio dice que CosyVoice 2 y 3 funcionan en vLLM 0.9.0 y 0.11 o posterior. Un runtime de TensorRT-LLM con una aceleración de unas cuatro veces está documentado solo para CosyVoice 2. No se publica la VRAM. Alibaba también vende modelos CosyVoice v3 alojados en Model Studio a $0.13 y $0.26 por 10.000 caracteres, es decir, $13 y $26 por millón, aunque no dice si coinciden con estos pesos.
La pega: no hay ninguna salvaguarda contra el abuso. El repositorio presenta su contenido como 'solo para fines académicos', pero los pesos son Apache 2.0, no hay marca de agua, ni texto sobre consentimiento, ni guía sobre los clips de referencia. La hoja de ruta del proyecto no tiene entradas de 2026, y la línea abierta sigue en 0,5B mientras el CosyVoice alojado de Alibaba ya va por la v3.5.
Nuestra opinión: para un agente de voz dirigido al mercado chino, Fun-CosyVoice3 es la referencia a batir; fuera del chino, la comparación es con VoxCPM2 y Qwen3-TTS, y cada equipo debería escucharlos antes de comprometerse.
Dónde se gana su sitio
Un equipo de atención al cliente de una fintech en Cantón
Atender llamadas en cantonés y mandarín con una sola voz de marca
Clona la voz de marca una vez e indica al modelo que hable cantonés o mandarín en cada llamada; haz streaming con vLLM para tener el primer audio en torno a 150 ms. Apache 2.0 significa que no hay tarifa por minuto.
Una empresa de medios regional que produce vídeos cortos
Narrar el mismo guion en sichuanés, shanghainés y minnan
Pasa instrucciones de dialecto con un único clip del narrador y corrige nombres con etiquetas Pinyin como [j][ǐ]. El cosyvoice-v3-flash alojado, a $0.13 por 10.000 caracteres, es una opción si no hay GPU libre.
Un ingeniero de ML que construye un agente de voz multilingüe con poco presupuesto
Elegir entre precisión y parecido de la voz
Usa la variante RL donde las palabras deben ser exactas (0,81% de error en chino) y el modelo base donde importa más la voz clonada (78,0 de similitud en chino frente a 77,4).
Antes de decidirte
- Puesta en marcha
- Clona el repositorio con --recursive, crea un entorno conda con Python 3.10, instala los requisitos y descarga los pesos con snapshot_download. El paquete opcional ttsfrd mejora la normalización del texto.
- Integraciones
- API de Python, vLLM 0.9.0 y 0.11 o posterior, demo en Gradio de ModelScope. Alibaba Cloud Model Studio vende cosyvoice-v3-flash y cosyvoice-v3-plus alojados.
- Datos y privacidad
- Autoalojado, así que el texto y el audio de referencia se quedan en local. En Model Studio, el tratamiento de datos sigue las condiciones de Alibaba Cloud. La versión abierta no incluye medidas de consentimiento ni marca de agua.
- Coste a escala
- Pesos gratuitos; con el cosyvoice-v3-flash alojado a $0.13 por 10.000 caracteres, 50 millones de caracteres al mes cuestan unos $650, y con v3-plus unos $1,300.
- Límites
- Nueve idiomas; sin VRAM ni longitud máxima de texto publicadas; la aceleración con TensorRT-LLM solo está documentada para CosyVoice 2.
Lo bueno
- Tasa de error de caracteres del 0,81% en chino con la variante RL, por delante de Seed-TTS
- Más de 18 dialectos y acentos chinos desde un solo checkpoint
- Streaming con latencia de apenas 150 ms, compatible con vLLM
- Apache 2.0 con 0,5B parámetros
Lo malo
- Sin marca de agua, comprobación de consentimiento ni guía contra el abuso
- La variante RL sacrifica similitud de hablante a cambio de precisión
- Sin cifra de VRAM publicada ni novedades en la hoja de ruta de 2026
- Nueve idiomas, menos que VoxCPM2 u OmniVoice
Ideal para
Equipos que construyen agentes de voz en chino o contenido en dialectos y quieren un modelo pequeño, de uso comercial, que puedan ejecutar ellos mismos.
Alternativas a Fun-CosyVoice3
Fun-CosyVoice3: preguntas frecuentes
- ¿Merece la pena Fun-CosyVoice3?
- Fun-CosyVoice3 es el clonador pequeño, rápido y con licencia Apache que conviene elegir para el chino y sus dialectos, y una opción sólida para agentes en streaming en otros ocho idiomas. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Fun-CosyVoice3?
- Gratis bajo Apache 2.0. El cosyvoice-v3-flash alojado de Alibaba Cloud cuesta $0.13 y el cosyvoice-v3-plus $0.26 por 10.000 caracteres a nivel internacional.
- ¿Qué inconvenientes tiene Fun-CosyVoice3?
- Sin marca de agua, comprobación de consentimiento ni guía contra el abuso; la variante RL sacrifica similitud de hablante a cambio de precisión; sin cifra de VRAM publicada ni novedades en la hoja de ruta de 2026; nueve idiomas, menos que VoxCPM2 u OmniVoice.
- ¿Para quién es Fun-CosyVoice3?
- Equipos que construyen agentes de voz en chino o contenido en dialectos y quieren un modelo pequeño, de uso comercial, que puedan ejecutar ellos mismos.
- ¿Cuánto cuesta Fun-CosyVoice3 para un equipo o en producción?
- Pesos gratuitos; con el cosyvoice-v3-flash alojado a $0.13 por 10.000 caracteres, 50 millones de caracteres al mes cuestan unos $650, y con v3-plus unos $1,300.
- ¿Es Fun-CosyVoice3 seguro para los datos de la empresa?
- Autoalojado, así que el texto y el audio de referencia se quedan en local. En Model Studio, el tratamiento de datos sigue las condiciones de Alibaba Cloud. La versión abierta no incluye medidas de consentimiento ni marca de agua.
- ¿Cuáles son las mejores alternativas a Fun-CosyVoice3?
- Las alternativas más cercanas que hemos analizado son Qwen3-TTS, VoxCPM2, IndexTTS-2.5 y OmniVoice.
Respuestas comprobadas el 7 nov 2026.