Qu’est-ce que Fun-CosyVoice3 ?
Fun-CosyVoice3-0.5B-2512 est la version ouverte de CosyVoice 3, la gamme de synthèse vocale de l'équipe parole Tongyi d'Alibaba, publiée en décembre 2025 avec une variante ajustée par apprentissage par renforcement (RL). Avec 0,5 milliard de paramètres, il parle chinois, anglais, japonais, coréen, allemand, espagnol, français, italien et russe, ainsi que plus de 18 dialectes et accents chinois comme le cantonais, le minnan et le sichuanais.
Il clone une voix en zero-shot, dans une même langue ou d'une langue à l'autre, accepte des consignes sur la langue, le dialecte, l'émotion, le débit et le volume, comprend des balises comme [breath] et permet de corriger la prononciation en Pinyin ou en phonèmes CMU. Il diffuse en streaming le texte en entrée et l'audio en sortie, avec une latence que l'équipe annonce à 150 ms seulement. Les poids sont sous Apache 2.0 ; la page Hugging Face enregistre environ 260 000 téléchargements le mois dernier.
Combien coûte Fun-CosyVoice3 ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Self-hosted | Free | Apache 2.0 |
| cosyvoice-v3-flash (Model Studio) | $0.13 per 10,000 characters | Région de Singapour ; 10 000 caractères gratuits pendant 90 jours |
| cosyvoice-v3-plus (Model Studio) | $0.26 per 10,000 characters | Région de Singapour ; 10 000 caractères gratuits pendant 90 jours |
Gratuit sous Apache 2.0. Le cosyvoice-v3-flash hébergé d'Alibaba Cloud coûte 0,13 $ et le cosyvoice-v3-plus 0,26 $ les 10 000 caractères à l'international.
Fun-CosyVoice3 vaut-il le coup ?
Fun-CosyVoice3 est le meilleur choix ouvert pour les dialectes chinois, et avec 0,5B paramètres il est assez petit pour des agents vocaux en temps réel. Peu de modèles ouverts gèrent le cantonais, le minnan et plus d'une douzaine d'accents régionaux depuis un seul checkpoint, et encore moins le font sous Apache 2.0 avec un streaming que l'équipe annonce à 150 ms seulement.
Les chiffres de précision le confirment pour le chinois. Sur les jeux de test de l'équipe, la variante RL enregistre un taux d'erreur sur les caractères de 0,81 % en chinois et de 5,44 % sur le jeu difficile, les plus bas de son tableau et devant Seed-TTS de ByteDance à 1,12 % et 7,59 %. L'anglais est solide sans être en tête, à 1,68 %. La contrepartie est la ressemblance de la voix : la similarité de locuteur de la variante RL en anglais est de 69,5 contre 76,2 pour Seed-TTS, et le modèle de base, à 71,8, reste plus proche de la voix au prix de davantage d'erreurs.
Pour le service, le dépôt indique que CosyVoice 2 et 3 tournent sur vLLM 0.9.0 et 0.11 ou plus récent. Un runtime TensorRT-LLM avec une accélération d'environ quatre fois n'est documenté que pour CosyVoice 2. Aucun chiffre de VRAM n'est publié. Alibaba vend aussi des modèles CosyVoice v3 hébergés sur Model Studio à 0,13 $ et 0,26 $ les 10 000 caractères, soit 13 $ et 26 $ par million, sans dire s'ils correspondent à ces poids.
Le hic : il n'y a aucun garde-fou contre les abus. Le dépôt présente son contenu comme « à des fins académiques uniquement », mais les poids sont sous Apache 2.0, sans filigrane, sans mention du consentement et sans conseils sur les extraits de référence. La feuille de route du projet n'a aucune entrée pour 2026, et la gamme ouverte s'arrête toujours à 0,5B alors que le CosyVoice hébergé d'Alibaba est passé à la v3.5.
Notre avis : pour un agent vocal destiné au marché chinois, Fun-CosyVoice3 est la référence à battre ; hors du chinois, la comparaison se fait avec VoxCPM2 et Qwen3-TTS, et chaque équipe devrait écouter avant de s'engager.
Là où il fait la différence
Une équipe de service client d'une fintech du Guangdong
Répondre aux appels en cantonais et en mandarin avec une seule voix de marque
Clonez la voix de marque une fois et demandez au modèle de parler cantonais ou mandarin selon l'appel ; diffusez via vLLM pour un premier son vers 150 ms. Apache 2.0 signifie aucun frais à la minute.
Un groupe de médias régional qui produit des vidéos courtes
Faire lire le même script en sichuanais, en shanghaïen et en minnan
Passez des consignes de dialecte avec un seul extrait du narrateur et corrigez les noms avec des balises Pinyin comme [j][ǐ]. Le cosyvoice-v3-flash hébergé, à 0,13 $ les 10 000 caractères, est une option si aucun GPU n'est libre.
Un ingénieur ML qui construit un agent vocal multilingue avec un petit budget
Arbitrer entre précision et ressemblance de la voix
Utilisez la variante RL quand les mots doivent être exacts (0,81 % d'erreur en chinois) et le modèle de base quand la voix clonée compte davantage (78,0 de similarité en chinois contre 77,4).
Avant de vous engager
- Mise en route
- Clonez le dépôt avec --recursive, créez un environnement conda en Python 3.10, installez les dépendances et téléchargez les poids avec snapshot_download. Le paquet optionnel ttsfrd améliore la normalisation du texte.
- Intégrations
- API Python, vLLM 0.9.0 et 0.11 ou plus récent, démo Gradio sur ModelScope. Alibaba Cloud Model Studio vend cosyvoice-v3-flash et cosyvoice-v3-plus hébergés.
- Données et confidentialité
- Auto-hébergé : le texte et l'audio de référence restent en local. Sur Model Studio, le traitement des données suit les conditions d'Alibaba Cloud. La version ouverte ne comporte aucune mesure de consentement ni de filigrane.
- Coût à grande échelle
- Poids gratuits ; avec cosyvoice-v3-flash hébergé à 0,13 $ les 10 000 caractères, 50 millions de caractères par mois coûtent environ 650 $, et environ 1 300 $ avec v3-plus.
- Limites
- Neuf langues ; ni VRAM ni longueur de texte maximale publiées ; accélération TensorRT-LLM documentée uniquement pour CosyVoice 2.
Les points forts
- Taux d'erreur sur les caractères de 0,81 % en chinois avec la variante RL, devant Seed-TTS
- Plus de 18 dialectes et accents chinois depuis un seul checkpoint
- Streaming avec une latence dès 150 ms, compatible vLLM
- Apache 2.0 avec 0,5B paramètres
Les points faibles
- Ni filigrane, ni vérification du consentement, ni conseils contre les abus
- La variante RL échange de la similarité de locuteur contre de la précision
- Aucun chiffre de VRAM publié ni mise à jour de la feuille de route en 2026
- Neuf langues, moins que VoxCPM2 ou OmniVoice
Idéal pour
Les équipes qui créent des agents vocaux en chinois ou du contenu en dialectes et veulent un petit modèle utilisable commercialement qu'elles exploitent elles-mêmes.
Alternatives à Fun-CosyVoice3
Fun-CosyVoice3 : questions fréquentes
- Fun-CosyVoice3 vaut-il le coup ?
- Fun-CosyVoice3 est le petit cloneur rapide sous licence Apache à retenir pour le chinois et ses dialectes, et un choix solide pour des agents en streaming dans huit autres langues. Nous lui donnons 3.9 sur 5.
- Combien coûte Fun-CosyVoice3 ?
- Gratuit sous Apache 2.0. Le cosyvoice-v3-flash hébergé d'Alibaba Cloud coûte 0,13 $ et le cosyvoice-v3-plus 0,26 $ les 10 000 caractères à l'international.
- Quels sont les inconvénients de Fun-CosyVoice3 ?
- Ni filigrane, ni vérification du consentement, ni conseils contre les abus; la variante RL échange de la similarité de locuteur contre de la précision; aucun chiffre de VRAM publié ni mise à jour de la feuille de route en 2026; neuf langues, moins que VoxCPM2 ou OmniVoice.
- À qui s’adresse Fun-CosyVoice3 ?
- Les équipes qui créent des agents vocaux en chinois ou du contenu en dialectes et veulent un petit modèle utilisable commercialement qu'elles exploitent elles-mêmes.
- Combien coûte Fun-CosyVoice3 pour une équipe ou en production ?
- Poids gratuits ; avec cosyvoice-v3-flash hébergé à 0,13 $ les 10 000 caractères, 50 millions de caractères par mois coûtent environ 650 $, et environ 1 300 $ avec v3-plus.
- Fun-CosyVoice3 est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : le texte et l'audio de référence restent en local. Sur Model Studio, le traitement des données suit les conditions d'Alibaba Cloud. La version ouverte ne comporte aucune mesure de consentement ni de filigrane.
- Quelles sont les meilleures alternatives à Fun-CosyVoice3 ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-TTS, VoxCPM2, IndexTTS-2.5 et OmniVoice.
Réponses vérifiées le 7 nov. 2026.