qwenaudio/cosyvoice は、テキストを自然な音声オーディオへ変換する多言語の大規模音声生成モデルリポジトリである。Python で書かれ、Apache-2.0 ライセンスで公開されている。README が主要システムとして紹介している Fun-CosyVoice 3.0 は、大規模言語モデルに基づく音声合成システムであり、リポジトリの説明は推論・学習・デプロイを揃えたフルスタック構成を示している。
Fun-CosyVoice 3.0 は 9 言語と 18 種類以上の中文方言・訥りに対応する。多言語・横断言語のゼロショット音声クローン（短い音声サンプルだけを参考に新しい話者の声を作り出す機能）、発音 inpaiting（特定の区間の発音に直接指定して読み上げさせる機能）、テキスト正規化（数字や記号を読みやすい表記へ変換する処理）、テキスト入力・音声出力のストリーミングを提供する。README には実行例とウェブデモ、vLLM と Docker を利用したデプロイ手順が載っている。リポジトリは 2024 年 7 月 3 日に作成され、スター数は 24082 である。
ただし、提示された資料には音質や応答速度を比較した数値はない。評価スコアも新規性・技術・品質の項目は未記入で、モメンタムのみ 5.5 が残されている。記録された最新リリースがないため、README に記載された Fun-CosyVoice 3.0 以降の変更の流れは確認できない。機能範囲とデプロイ手順は幅広いが、実際の音質とレイテンシは資料の中では検証されていない。