Fun-CosyVoice3とは？
Fun-CosyVoice3-0.5B-2512は、Alibabaの通義（Tongyi）音声チームによるテキスト読み上げシリーズCosyVoice 3のオープン版で、2025年12月に強化学習（RL）で調整した派生版とともに公開されました。5億パラメータで、中国語、英語、日本語、韓国語、ドイツ語、スペイン語、フランス語、イタリア語、ロシア語を話し、広東語、閩南語、四川語など18以上の中国語方言やなまりにも対応します。
同じ言語内でも言語をまたいでもゼロショットで声をクローンし、言語、方言、感情、話速、音量の指示を受け付け、[breath]などのタグに対応し、ピンインやCMU音素で発音を修正できます。テキストの入力と音声の出力をストリーミングで処理し、チームはレイテンシを最短150 msとしています。重みはApache 2.0で、Hugging Faceのページには直近1か月で約260,000回のダウンロードが記録されています。
Fun-CosyVoice3の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Self-hosted | Free | Apache 2.0 |
| cosyvoice-v3-flash (Model Studio) | $0.13 per 10,000 characters | シンガポールリージョン、90日間10,000文字まで無料 |
| cosyvoice-v3-plus (Model Studio) | $0.26 per 10,000 characters | シンガポールリージョン、90日間10,000文字まで無料 |
Apache 2.0で無料です。Alibaba Cloudのホスト型cosyvoice-v3-flashは国際版で10,000文字あたり$0.13、cosyvoice-v3-plusは$0.26です。
Fun-CosyVoice3は使う価値があるか？
中国語の方言では、Fun-CosyVoice3が最も有力なオープンモデルで、0.5Bパラメータとリアルタイムの音声エージェントに使えるほど小型です。広東語、閩南語、10を超える地方のなまりを1つのチェックポイントで扱えるオープンモデルは少なく、それをApache 2.0で、しかもチームが最短150 msとするストリーミングで実現しているものはさらに少数です。
中国語では精度の数字が裏付けています。チームのテストセットでは、RL版の中国語の文字誤り率は0.81%、難しいセットでは5.44%で、表の中で最も低く、ByteDanceのSeed-TTSの1.12%と7.59%を上回ります。英語は1.68%で、堅実ですが首位ではありません。引き換えになるのは声の似せ方で、RL版の英語の話者類似度は69.5と、Seed-TTSの76.2を下回ります。ベースモデルは71.8で声により近い代わり に、誤りが増えます。
運用面では、リポジトリによるとCosyVoice 2と3はvLLM 0.9.0と0.11以降で動きます。約4倍の高速化をうたうTensorRT-LLMのランタイムは、CosyVoice 2についてしか文書化されていません。VRAMの数字は公開されていません。AlibabaはModel StudioでホストされたCosyVoice v3モデルも10,000文字あたり$0.13と$0.26、つまり100万文字あたり$13と$26で販売していますが、これらの重みと同じものかどうかは明らかにしていません。
注意点：悪用への対策はまったくありません。リポジトリは内容を「学術目的に限る」としていますが、重みはApache 2.0で、透かしも、同意に関する記述も、参照クリップについての指針もありません。プロジェクトのロードマップに2026年の項目はなく、Alibabaのホスト版CosyVoiceがv3.5に進んだ一方で、オープン版は0.5Bのままです。
結論：中国市場向けの音声エージェントなら、Fun-CosyVoice3が基準となる選択肢です。中国語以外ではVoxCPM2やQwen3-TTSとの比較になり、どのチームも決める前に実際に聞き比べるべきです。
真価を発揮する場面
広東省のフィンテック企業のカスタマーサービスチーム
1つのブランド音声で、広東語と標準中国語の電話に応対したい
ブランド音声を一度クローンし、通話ごとに広東語か標準中国語で話すよう指示します。vLLMでストリーミングすれば最初の音声は約150 msです。Apache 2.0なので1分ごとの料金はかかりません。
ショート動画を制作する地方のメディア企業
同じ台本を四川語、上海語、閩南語でナレーションしたい
ナレーターのクリップ1つと方言の指示を渡し、[j][ǐ]のようなピンインのタグで人名を修正します。空いているGPUがなければ、10,000文字あたり$0.13のホスト型cosyvoice-v3-flashも選べます。
限られた予算で多言語の音声エージェントを作るMLエンジニア
精度と声の似せ方のどちらを優先するか決めたい
言葉の正確さが重要な場面ではRL版（中国語の誤り率0.81%）を、クローンした声が重要な場面ではベースモデル（中国語の類似度78.0、RL版は77.4）を使います。
導入前に確認すること
- 導入
- --recursiveでリポジトリをクローンし、Python 3.10のconda環境を作って依存関係をインストールし、snapshot_downloadで重みを取得します。任意のttsfrdパッケージを入れるとテキスト正規化が改善します。
- 連携
- Python API、vLLM 0.9.0と0.11以降、ModelScopeのGradioデモ。Alibaba Cloud Model Studioがホスト型のcosyvoice-v3-flashとcosyvoice-v3-plusを販売しています。
- データとプライバシー
- 自前でホストすれば、テキストと参照音声は手元に残ります。Model Studioでは、データの扱いはAlibaba Cloudの規約に従います。オープン版には同意や透かしの仕組みがありません。
- 大規模利用時のコスト
- 重みは無料です。10,000文字あたり$0.13のホスト型cosyvoice-v3-flashなら月5,000万文字で約$650、v3-plusなら約$1,300です。
- 制限
- 9言語、VRAMと最大テキスト長は非公開、TensorRT-LLMによる高速化はCosyVoice 2についてのみ文書化されています。
良い点
- RL版の中国語文字誤り率は0.81%で、Seed-TTSを上回る
- 1つのチェックポイントで18以上の中国語方言となまりに対応
- 最短150 msのストリーミング、vLLM対応
- 0.5BパラメータでApache 2.0
気になる点
- 透かし、同意の確認、悪用への指針がない
- RL版は精度と引き換えに話者類似度が下がる
- VRAMの数字が非公開で、2026年のロードマップ更新もない
- 対応は9言語で、VoxCPM2やOmniVoiceより少ない
おすすめの人
中国語の音声エージェントや方言コンテンツを作り、自分たちで動かせる小型で商用利用可能なモデルが欲しいチーム。
Fun-CosyVoice3の代替
Fun-CosyVoice3：よくある質問
- Fun-CosyVoice3は使う価値があるか？
- 中国語とその方言なら、小さく速いApacheライセンスのクローンモデルFun-CosyVoice3を選ぶべきで、他の8言語のストリーミングエージェントにも堅実な選択肢です。 評価は5点満点中3.9点です。
- Fun-CosyVoice3の料金は？
- Apache 2.0で無料です。Alibaba Cloudのホスト型cosyvoice-v3-flashは国際版で10,000文字あたり$0.13、cosyvoice-v3-plusは$0.26です。
- Fun-CosyVoice3の欠点は？
- 透かし、同意の確認、悪用への指針がない; RL版は精度と引き換えに話者類似度が下がる; VRAMの数字が非公開で、2026年のロードマップ更新もない; 対応は9言語で、VoxCPM2やOmniVoiceより少ない.
- Fun-CosyVoice3は誰に向いているか？
- 中国語の音声エージェントや方言コンテンツを作り、自分たちで動かせる小型で商用利用可能なモデルが欲しいチーム。
- チームや本番環境でFun-CosyVoice3を使うと費用はいくらか？
- 重みは無料です。10,000文字あたり$0.13のホスト型cosyvoice-v3-flashなら月5,000万文字で約$650、v3-plusなら約$1,300です。
- Fun-CosyVoice3は企業データを扱 っても安全か？
- 自前でホストすれば、テキストと参照音声は手元に残ります。Model Studioでは、データの扱いはAlibaba Cloudの規約に従います。オープン版には同意や透かしの仕組みがありません。
- Fun-CosyVoice3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3-TTS, VoxCPM2, IndexTTS-2.5 、 OmniVoiceです。
回答確認日：2026年11月7日