O que é Fun-CosyVoice3?
O Fun-CosyVoice3-0.5B-2512 é a versão aberta do CosyVoice 3, a linha de texto para fala da equipe de voz Tongyi da Alibaba, lançada em dezembro de 2025 junto com uma variante ajustada por aprendizado por reforço (RL). Com 0,5 bilhão de parâmetros, ele fala chinês, inglês, japonês, coreano, alemão, espanhol, francês, italiano e russo, além de mais de 18 dialetos e sotaques chineses, como cantonês, minnan e sichuanês.
Ele clona uma voz zero-shot, dentro de um idioma ou entre idiomas, aceita instruções sobre idioma, dialeto, emoção, velocidade e volume, entende tags como [breath] e permite corrigir a pronúncia com Pinyin ou fonemas CMU. Faz streaming de texto na entrada e áudio na saída, com latência que a equipe coloca em apenas 150 ms. Os pesos estão sob Apache 2.0; a página no Hugging Face registra cerca de 260.000 downloads no último mês.
Quanto custa Fun-CosyVoice3?
| Plano | Preço | O que inclui |
|---|---|---|
| Self-hosted | Free | Apache 2.0 |
| cosyvoice-v3-flash (Model Studio) | $0.13 per 10,000 characters | Região de Singapura; 10.000 caracteres grátis por 90 dias |
| cosyvoice-v3-plus (Model Studio) | $0.26 per 10,000 characters | Região de Singapura; 10.000 caracteres grátis por 90 dias |
Gratuito sob Apache 2.0. O cosyvoice-v3-flash hospedado da Alibaba Cloud custa $0.13 e o cosyvoice-v3-plus $0.26 por 10.000 caracteres no mercado internacional.
Fun-CosyVoice3 vale a pena?
O Fun-CosyVoice3 é a melhor opção aberta para dialetos chineses, e com 0,5B parâmetros é pequeno o bastante para agentes de voz em tempo real. Poucos modelos abertos lidam com cantonês, minnan e mais de uma dúzia de sotaques regionais a partir de um único checkpoint, e menos ainda fazem isso sob Apache 2.0 com streaming que a equipe coloca em apenas 150 ms.
Os números de precisão confirmam isso em chinês. Nos conjuntos de teste da equipe, a variante RL registra taxa de erro de caracteres de 0,81% em chinês e de 5,44% no conjunto difícil, as mais baixas da tabela e à frente do Seed-TTS da ByteDance, com 1,12% e 7,59%. O inglês é sólido, mas não lidera, com 1,68%. A contrapartida é a semelhança da voz: a similaridade de locutor da variante RL em inglês é 69,5, contra 76,2 do Seed-TTS, e o modelo base, com 71,8, fica mais perto da voz ao custo de mais erros.
Para servir, o repositório diz que o CosyVoice 2 e o 3 rodam no vLLM 0.9.0 e 0.11 ou superior. Um runtime TensorRT-LLM com aceleração de cerca de quatro vezes está documentado só para o CosyVoice 2. Não há número de VRAM publicado. A Alibaba também vende modelos CosyVoice v3 hospedados no Model Studio a $0.13 e $0.26 por 10.000 caracteres, ou $13 e $26 por milhão, mas não diz se correspondem a estes pesos.
O porém: não existe nenhuma proteção contra abuso. O repositório chama seu conteúdo de 'apenas para fins acadêmicos', mas os pesos são Apache 2.0, sem marca d'água, sem texto sobre consentimento e sem orientação sobre trechos de referência. O roadmap do projeto não tem entradas de 2026, e a linha aberta continua em 0,5B enquanto o CosyVoice hospedado da Alibaba já está na v3.5.
Nossa opinião: para um agente de voz voltado ao mercado chinês, o Fun-CosyVoice3 é a referência a bater; fora do chinês, a comparação é com o VoxCPM2 e o Qwen3-TTS, e cada equipe deve ouvir antes de se comprometer.
Onde ele se destaca
Uma equipe de atendimento de uma fintech em Guangdong
Atender ligações em cantonês e mandarim com uma única voz de marca
Clone a voz da marca uma vez e peça ao modelo para falar cantonês ou mandarim em cada ligação; faça streaming pelo vLLM para ter o primeiro áudio por volta de 150 ms. Apache 2.0 significa nenhuma tarifa por minuto.
Uma empresa de mídia regional que produz vídeos curtos
Narrar o mesmo roteiro em sichuanês, xangainês e minnan
Passe instruções de dialeto com um único trecho do narrador e corrija nomes com tags Pinyin como [j][ǐ]. O cosyvoice-v3-flash hospedado, a $0.13 por 10.000 caracteres, é uma opção se não houver GPU livre.
Um engenheiro de ML montando um agente de voz multilíngue com pouco orçamento
Escolher entre precisão e semelhança da voz
Use a variante RL onde as palavras precisam estar certas (0,81% de erro em chinês) e o modelo base onde a voz clonada importa mais (78,0 de similaridade em chinês contra 77,4).
Antes de decidir
- Configuração
- Clone o repositório com --recursive, crie um ambiente conda com Python 3.10, instale as dependências e baixe os pesos com snapshot_download. O pacote opcional ttsfrd melhora a normalização do texto.
- Integrações
- API Python, vLLM 0.9.0 e 0.11 ou superior, demo em Gradio no ModelScope. O Alibaba Cloud Model Studio vende cosyvoice-v3-flash e cosyvoice-v3-plus hospedados.
- Dados e privacidade
- Auto-hospedado, então texto e áudio de referência ficam locais. No Model Studio, o tratamento de dados segue os termos da Alibaba Cloud. A versão aberta não tem medidas de consentimento nem marca d'água.
- Custo em escala
- Pesos gratuitos; com o cosyvoice-v3-flash hospedado a $0.13 por 10.000 caracteres, 50 milhões de caracteres por mês custam cerca de $650, e com o v3-plus cerca de $1,300.
- Limites
- Nove idiomas; sem VRAM nem tamanho máximo de texto publicados; aceleração com TensorRT-LLM documentada só para o CosyVoice 2.
O que é bom
- Taxa de erro de caracteres de 0,81% em chinês na variante RL, à frente do Seed-TTS
- Mais de 18 dialetos e sotaques chineses em um único checkpoint
- Streaming com latência a partir de 150 ms, suporte a vLLM
- Apache 2.0 com 0,5B parâmetros
O que não é
- Sem marca d'água, verificação de consentimento ou orientação contra abuso
- A variante RL troca similaridade de locutor por precisão
- Sem número de VRAM publicado nem atualizações do roadmap em 2026
- Nove idiomas, menos que o VoxCPM2 ou o OmniVoice
Ideal para
Equipes que criam agentes de voz em chinês ou conteúdo em dialetos e querem um modelo pequeno, de uso comercial, que possam rodar por conta própria.
Alternativas ao Fun-CosyVoice3
Fun-CosyVoice3: perguntas frequentes
- Fun-CosyVoice3 vale a pena?
- O Fun-CosyVoice3 é o clonador pequeno, rápido e com licença Apache para escolher em chinês e seus dialetos, e uma boa opção para agentes com streaming em outros oito idiomas. Damos nota 3.9 de 5.
- Quanto custa Fun-CosyVoice3?
- Gratuito sob Apache 2.0. O cosyvoice-v3-flash hospedado da Alibaba Cloud custa $0.13 e o cosyvoice-v3-plus $0.26 por 10.000 caracteres no mercado internacional.
- Quais são as desvantagens de Fun-CosyVoice3?
- Sem marca d'água, verificação de consentimento ou orientação contra abuso; a variante RL troca similaridade de locutor por precisão; sem número de VRAM publicado nem atualizações do roadmap em 2026; nove idiomas, menos que o VoxCPM2 ou o OmniVoice.
- Para quem Fun-CosyVoice3 é indicado?
- Equipes que criam agentes de voz em chinês ou conteúdo em dialetos e querem um modelo pequeno, de uso comercial, que possam rodar por conta própria.
- Quanto custa Fun-CosyVoice3 para uma equipe ou em produção?
- Pesos gratuitos; com o cosyvoice-v3-flash hospedado a $0.13 por 10.000 caracteres, 50 milhões de caracteres por mês custam cerca de $650, e com o v3-plus cerca de $1,300.
- Fun-CosyVoice3 é seguro para dados da empresa?
- Auto-hospedado, então texto e áudio de referência ficam locais. No Model Studio, o tratamento de dados segue os termos da Alibaba Cloud. A versão aberta não tem medidas de consentimento nem marca d'água.
- Quais são as melhores alternativas ao Fun-CosyVoice3?
- As alternativas mais próximas que analisamos são Qwen3-TTS, VoxCPM2, IndexTTS-2.5 e OmniVoice.
Respostas verificadas em 7 de nov. de 2026.