Autunno 2026 · Dalla Base della Tranquillità
Entra nello studio lunare ↗
Strumenti di IA

CosyVoice 3: clonare gratis la voce con l'AI, anche su CPU

Clonare gratis la voce con l'AI: bastano 8 secondi di registrazione, anche in cantonese. Funziona su CPU senza GPU. Installazione e test.

Nello studio di registrazione della base lunare, un astronauta parla al microfono; tre onde sonore colorate fluttuano verso un robot barista, un altoparlante e un portatile
Nello studio di registrazione della base lunare, un astronauta parla al microfono; tre onde sonore colorate fluttuano verso un robot barista, un altoparlante e un portatile

Nel mio articolo precedente, «Text to speech italiano gratis: Kokoro e Chatterbox per i giochi», ho confrontato diversi modelli TTS (sintesi vocale) open source, promettendo di presentarli poi uno per uno. Comincio da CosyVoice 3: con una registrazione di appena 8 secondi, pronuncia frasi nuove con la voce della persona registrata e parla persino dialetti cinesi come il cantonese o il sichuanese.

Il mio portatile non ha una scheda video NVIDIA, eppure CosyVoice 3 gira solo sulla CPU: circa due minuti per frase. È perfetto per preparare una serie di battute e lasciarlo lavorare in background. Se il tuo computer ha una GPU integrata Intel, puoi usarla per andare circa 5 volte più veloce. In questo articolo descrivo l'intera procedura di installazione e gli intoppi che ho incontrato, poi presento una dimostrazione di clonazione della mia voce.

Cos'è CosyVoice 3? Si può usare a scopo commerciale?

CosyVoice è un modello open source di generazione vocale di Alibaba (il copyright del codice sorgente è intestato ad Alibaba Inc.). L'ultima versione open source è Fun-CosyVoice3-0.5B-2512, uscita a dicembre 2025. I dati seguenti vengono dalla sua pagina su Hugging Face, consultata il 21/11/2026:

Voce

Dettaglio

Parametri

0,5B (500 milioni)

Licenza

Apache-2.0, uso commerciale consentito

Lingue

cinese, inglese, giapponese, coreano, tedesco, spagnolo, francese, italiano, russo: 9 in tutto

Dialetti cinesi

oltre 18, tra cui cantonese, minnan, sichuanese, dialetto del Nord-Est e shanghainese

Clonazione della voce

basta un audio di riferimento, anche tra lingue diverse (una voce cinese che parla inglese)

Controllo con istruzioni

una frase per scegliere dialetto, velocità, volume o emozione

Nei benchmark ufficiali, CosyVoice 3 ottiene sul set di test in cinese un tasso di errore per carattere (CER) più basso della generazione precedente, CosyVoice 2, e una maggiore somiglianza vocale.

CosyVoice 3.5 è open source?

No. Alibaba ha presentato CosyVoice 3.5 a marzo 2026, ma si può usare solo tramite l'API di Alibaba Cloud Model Studio (Bailian), e solo nella regione di Pechino. Al 21/11/2026 su Hugging Face non ci sono i pesi della 3.5; su GitHub un utente ha chiesto in una issue se verrà rilasciata, senza ricevere una risposta ufficiale. Per eseguire il modello sul proprio computer con una licenza che consenta l'uso commerciale, per ora si usa la 3.0.

Inoltre, il repository GitHub di CosyVoice si è spostato da FunAudioLLM/CosyVoice a QwenAudio/CosyVoice; il vecchio indirizzo reindirizza in automatico.

Requisiti: funziona senza scheda video NVIDIA?

Sì, ma più lentamente. Il mio portatile ha un Intel Core Ultra 5 322 (6 core) con GPU integrata Panther Lake e nessuna scheda video dedicata. Per la stessa frase in cinese di circa 8 secondi:

Hardware

Tempo di generazione

Fattore di tempo reale (più basso = più veloce)

CPU (6 core)

115 s

15,6

GPU integrata Intel (PyTorch XPU)

21,5 s

2,5

A questo si aggiungono circa 12 secondi per caricare il modello. Quando genero una serie di battute sulla GPU integrata, il modello si carica una volta sola e una battuta di 4-6 secondi richiede circa 15-30 secondi.

L'installazione ufficiale è pensata per le schede NVIDIA (CUDA). Con una GPU integrata Intel servono alcuni passaggi in più, che spiego più avanti.

Installare CosyVoice 3 (versione CPU)

Il mio ambiente: Linux (Arch), con Python gestito da uv.

1. Scaricare il codice

mkdir -p ~/tools/cosyvoice && cd ~/tools/cosyvoice
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git repo

--recursive è obbligatorio, perché Matcha-TTS, che serve a CosyVoice, è un sottomodulo.

2. Creare l'ambiente e installare i pacchetti

Il requirements.txt ufficiale contiene PyTorch per CUDA, TensorRT e DeepSpeed; senza una scheda NVIDIA non mi servono. Installo solo i pacchetti davvero necessari, con PyTorch nella versione per CPU:

uv venv --python 3.10 .venv
VIRTUAL_ENV=.venv uv pip install "setuptools<81" wheel
VIRTUAL_ENV=.venv uv pip install --no-build-isolation-package openai-whisper \
  --index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/cpu \
  "torch==2.3.1+cpu" "torchaudio==2.3.1+cpu" numpy==1.26.4 conformer==0.3.2 diffusers==0.29.0 \
  hydra-core==1.3.2 HyperPyYAML==1.2.3 inflect==7.3.1 librosa==0.10.2 omegaconf==2.3.0 \
  onnx==1.16.0 onnxruntime==1.18.0 openai-whisper==20231117 protobuf==4.25 pyworld==0.3.4 \
  soundfile==0.12.1 transformers==4.51.3 x-transformers==2.11.24 wetext==0.0.4 modelscope==1.20.0 \
  lightning==2.2.4 matplotlib==3.7.5 rich==13.7.1 pyarrow==18.1.0 networkx==3.1 \
  wget==3.2 gdown==5.1.0 pydantic==2.7.0 huggingface_hub

Qui ho incontrato tre intoppi:

  • La compilazione di openai-whisper fallisce: il suo installer ha bisogno di pkg_resources, rimosso dalle versioni recenti di setuptools. Bisogna prima installare setuptools<81 e poi disattivare l'isolamento dell'ambiente di compilazione (--no-build-isolation-package).
  • Senza lightning e rich il modello non si carica: il file di configurazione del modello usa questi due pacchetti, quindi vanno installati anche loro.
  • Il messaggio no frontend is avaliable: il pacchetto di normalizzazione del testo wetext scarica dati da ModelScope, e a me la richiesta è stata rifiutata (403). La generazione funziona lo stesso, e CosyVoice 3 se la cava da solo con numeri e simboli comuni; lo mostro più avanti.

3. Scaricare il modello (risparmiando 4 GB)

Il modello completo pesa circa 9,8 GB, ma alcuni file non servono per questa installazione e si possono saltare:

from huggingface_hub import snapshot_download
snapshot_download("FunAudioLLM/Fun-CosyVoice3-0.5B-2512",
    local_dir="models/Fun-CosyVoice3-0.5B",
    ignore_patterns=["flow.decoder.estimator.fp32.onnx",   # per TensorRT
                     "speech_tokenizer_v3.batch.onnx",      # per l'inferenza in batch
                     "llm.rl.pt"])                          # versione RL, non caricata di default

Con queste esclusioni, il modello scaricato occupa 5,1 GB.

4. Generare la prima frase

Il prompt di CosyVoice 3 ha un formato fisso: deve iniziare con You are a helpful assistant.<|endofprompt|>. Ecco un adattamento dell'example.py ufficiale:

import sys
sys.path[:0] = ["repo", "repo/third_party/Matcha-TTS"]
import torch, torchaudio
from cosyvoice.cli.cosyvoice import AutoModel

m = AutoModel(model_dir="models/Fun-CosyVoice3-0.5B")
SYS = "You are a helpful assistant.<|endofprompt|>"

# Clonazione della voce: audio di riferimento + trascrizione dell'audio
out = m.inference_zero_shot("Testo da pronunciare", SYS + "Trascrizione dell'audio di riferimento", "ref.wav", stream=False)
wav = torch.cat([x["tts_speech"] for x in out], dim=1)
torchaudio.save("out.wav", wav, m.sample_rate)

Le tre funzioni principali:

Funzione

A cosa serve

inference_zero_shot(testo, SYS+trascrizione, audio_rif)

Clonazione della voce, la più fedele. Serve la trascrizione dell'audio di riferimento

inference_cross_lingual(SYS+testo, audio_rif)

Non richiede una trascrizione: ideale per cambiare lingua, per esempio per far parlare in inglese una voce cinese

inference_instruct2(testo, istruzione, audio_rif)

Una frase per impostare dialetto, velocità o emozione. Il formato dell'istruzione è qui sotto

L'istruzione si scrive così: "You are a helpful assistant. 请用广东话表达。<|endofprompt|>". All'inizio c'è la stessa parte fissa, al centro l'istruzione e alla fine <|endofprompt|>.

Ho racchiuso tutto in un comando, nella cartella ~/tools/cosyvoice/, che posso richiamare da qualsiasi progetto.

Avanzato: 5 volte più veloce con la GPU integrata Intel (PyTorch XPU)

In PyTorch il backend per i chip grafici Intel si chiama XPU. La versione 2.3.1 di PyTorch usata da CosyVoice non lo supporta ancora, quindi ho creato un secondo ambiente, lasciando intatto quello per CPU.

1. Installare il driver di calcolo Intel

Un normale sistema desktop ha solo il driver video. Perché PyTorch possa fare calcoli sul chip grafico, serve anche il driver di calcolo Intel (Level Zero). Su Arch Linux:

sudo pacman -S intel-compute-runtime

2. Installare PyTorch con XPU

uv venv --python 3.10 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"

Se compare True Intel(R) Graphics, la GPU integrata è stata rilevata. Nel mio caso è stato installato PyTorch 2.14.1.

Poi si installano in questo ambiente i pacchetti elencati sopra, aggiungendo -c con un file che specifica i vincoli di versione. Il file deve vincolare torch alla versione installata, in modo che l'installazione di altri pacchetti non la sostituisca con una versione senza XPU.

3. Rimuovere il triton in conflitto

Finita l'installazione, import transformers fallisce con l'errore cannot import name 'make_tensordesc_args'. Il motivo: openai-whisper ha installato come dipendenza una vecchia versione di triton, che sovrascrive il triton-xpu richiesto da PyTorch XPU. Basta rimuovere la vecchia versione e reinstallare triton-xpu:

VIRTUAL_ENV=.venv-xpu uv pip uninstall triton
VIRTUAL_ENV=.venv-xpu uv pip install --reinstall-package triton-xpu \
  --index-url https://download.pytorch.org/whl/xpu triton-xpu

4. Spostare il modello sulla GPU integrata

Il codice di CosyVoice riconosce solo CUDA: senza scheda NVIDIA passa automaticamente alla CPU. Invece di modificare il codice ufficiale, carico prima il modello sulla CPU e poi sposto le sue tre reti principali sulla GPU integrata:

m = AutoModel(model_dir="models/Fun-CosyVoice3-0.5B")
dev = torch.device("xpu")
for name in ("llm", "flow", "hift"):
    getattr(m.model, name).to(dev)
m.model.device = dev
m.frontend.device = dev

Così gli aggiornamenti del codice ufficiale non creano conflitti. La prima esecuzione sulla GPU integrata richiede una fase di compilazione e impiega una decina di secondi in più; le successive procedono normalmente.

Test 1: clonare la voce, una dimostrazione con la mia

Ho registrato col telefono 8 secondi della mia voce da usare come riferimento per la clonazione.

Avvertenza: tutti gli audio di questo articolo contengono la voce dell'autore, Terry L, o cloni della sua voce. Tutti i diritti riservati: non scaricarli, non ripubblicarli e non usarli altrove (nemmeno per clonarli).
La mia registrazione originale (8 secondi), in cinese: «歡迎大家來到我的月球基地。我的文章記錄我對於各種工具的測試,希望對您有幫助。» (Benvenuti nella mia base lunare. Nei miei articoli racconto i test di ogni tipo di strumento, spero vi siano utili.) Tutti i diritti riservati, non usare l'audio altrove.

Questa frase non l'ho mai pronunciata: CosyVoice 3 l'ha generata in italiano a partire dalla registrazione in cinese qui sopra.

La mia voce clonata in italiano: «Questa frase è stata generata da CosyVoice 3 a partire da otto secondi della mia voce. Non l'ho mai detta.» Tutti i diritti riservati, non usare l'audio altrove.

Secondo me la voce generata somiglia moltissimo alla mia.

Clonazione della voce tra lingue diverse: la dimostrazione qui sopra ne è già un esempio, perché la registrazione di riferimento è in cinese. Con la stessa registrazione si può far parlare la voce clonata anche in inglese, giapponese o cantonese:

La mia voce clonata in inglese: «This sentence was generated by CosyVoice 3 from an eight-second clip of my voice. I never actually said it.» Tutti i diritti riservati, non usare l'audio altrove.
La mia voce clonata in giapponese (scritto in katakana): «この声は、私の8秒の録音から作られました。» Tutti i diritti riservati, non usare l'audio altrove.
La mia voce clonata in cantonese: «歡迎嚟到我嘅月球基地部落格。» (Benvenuti nel blog della mia base lunare.) Tutti i diritti riservati, non usare l'audio altrove.

Ho trascritto gli audio in inglese, giapponese e cantonese con un sistema di riconoscimento vocale (Whisper) per confrontarli con il testo originale: tutto corretto, senza parole in più né in meno.

Come registrare la voce di riferimento?

  • Bastano 5-10 secondi. Ho provato anche un riferimento di 20 secondi: la generazione impiegava 2-3 volte di più.
  • Ambiente silenzioso, una sola persona che parla: musica di sottofondo e rumori vengono clonati anche loro.
  • Fornisci la trascrizione: con inference_zero_shot deve corrispondere parola per parola alla registrazione. Se non conosci il testo esatto, trascrivi prima l'audio con Whisper oppure usa inference_cross_lingual.
  • Se il volume è basso, alzalo prima: la mia registrazione col telefono aveva un volume medio di appena -31 dB, quindi ho tagliato i silenzi all'inizio e alla fine e regolato il volume prima di clonare.

Anche tono e velocità vengono clonati

CosyVoice 3 non clona solo il timbro: anche velocità, tono e andamento dell'intonazione seguono la registrazione di riferimento. Con inference_zero_shot, la registrazione e la sua trascrizione vengono trattate come «quello che è già stato detto», e il modello prosegue mantenendo lo stesso modo di parlare.

Nei miei test, la velocità della mia registrazione originale è di circa 4,3 caratteri cinesi al secondo, mentre una frase in cinese generata con la voce clonata arriva a circa 4,4: le due velocità sono molto vicine. Il risultato, però, non è sempre così costante: la stessa frase con un altro seed è scesa a 3,6 caratteri al secondo, e la battuta di Arthur clonata in cinese è risultata un po' più veloce del riferimento. Per le battute importanti conviene generare più versioni e scegliere la migliore.

In pratica:

  • Registra il tono che vuoi ottenere: per una battuta arrabbiata, un riferimento arrabbiato; per una voce dolce e lenta, leggi lentamente. Uno stesso personaggio può avere più riferimenti, per esempio normale, agitato e sussurrato.
  • Anche i difetti del riferimento vengono copiati: se la registrazione è troppo veloce, troppo piatta o presenta eco o rumore, anche il clone avrà questi difetti.
  • Tre modi per ritoccare: il parametro speed per accelerare o rallentare direttamente; un'istruzione con inference_instruct2, per esempio «请用尽可能慢地语速说一句话。»; oppure passare a inference_cross_lingual.

Dal codice sorgente si vede che inference_cross_lingual non passa la registrazione di riferimento al modello linguistico che decide il ritmo: il riferimento serve solo per il timbro, quindi il ritmo della registrazione influisce meno sul risultato.

Test 2: doppiare Arthur, il robot barista

Nella home page del mio sito c'è una base lunare in 3D con un bar, gestito da Arthur, un robot barista. Il personaggio è un omaggio ad Arthur, il barista androide del film Passengers (2016), e alcune sue battute sono riprese dal film. Nel film Arthur è interpretato da Michael Sheen; qui scelgo deliberatamente di non imitare la sua voce.

Anche in questa sezione uso la mia voce (la stessa registrazione di 8 secondi) per le battute di Arthur.

La mia voce clonata, dalla registrazione in cinese: «Un barista sa mantenere un segreto. È la fiducia sacra del mestiere.» Tutti i diritti riservati, non usare l'audio altrove.
Clonazione tra lingue diverse: dalla mia registrazione in cinese, la voce clonata pronuncia in inglese «A bartender keeps confidence. It's the sacred trust of the craft.» Tutti i diritti riservati, non usare l'audio altrove.

Se una parola viene pronunciata male, CosyVoice 3 permette di indicare la pronuncia direttamente nel testo: per il cinese, si può indicare in pinyin la pronuncia dei caratteri con più letture, per esempio [h][áng]; per l'inglese, si può fissare la pronuncia di una parola con i fonemi CMU. A me è successo una volta: in una battuta in cinese, il carattere «尷» veniva letto male. L'ho sostituito con [g][ān] e ho rigenerato l'audio: la pronuncia era corretta.

Il giapponese va convertito in katakana

Gli esempi ufficiali lo precisano: il giapponese va convertito in katakana prima di inserirlo. Ho provato entrambe le soluzioni: con kanji e hiragana, il testo restituito dal riconoscimento vocale era molto diverso, con diverse parole pronunciate male; in katakana era tutto corretto.

Giapponese inserito così com'è: «バーテンダーは秘密を守るものです。それがこの仕事の神聖な信頼です。» Il riconoscimento vocale restituisce diverse parole sbagliate. Tutti i diritti riservati, non usare l'audio altrove.
La stessa frase in katakana: «バーテンダー ワ ヒミツ オ マモル モノ デス……» Il riconoscimento vocale restituisce il testo corretto. Tutti i diritti riservati, non usare l'audio altrove.

Per un doppiaggio in giapponese, puoi chiedere a un assistente di programmazione AI di convertire prima le battute in katakana, e poi passarle a CosyVoice.

Test 3: controllare dialetto, emozione e velocità con le istruzioni

inference_instruct2 accetta un'istruzione di una frase. Il codice ufficiale elenca le istruzioni supportate: 17 dialetti, più volume, velocità, emozione e perfino «parlare come un robot».

Le istruzioni si possono scrivere in cinese semplificato o in inglese. La maggior parte delle istruzioni ufficiali è in cinese semplificato; le due per il volume sono in inglese («Please say a sentence as loudly as possible.» e «Please say a sentence in a very soft voice.»).

Ho provato tre modi di chiedere di parlare «il più lentamente possibile» con la stessa battuta:

Istruzione

Durata della battuta

Nessuna istruzione

circa 4-5 s

Cinese semplificato «请用尽可能慢地语速说一句话。»

8,2 s

Inglese «Please say a sentence as slowly as possible.»

8,5 s

Cinese tradizionale «請用盡可能慢地語速說一句話。»

5,3 s

Cinese semplificato e inglese rallentano nettamente; il cinese tradizionale non ha quasi effetto. L'istruzione in inglese non è nell'elenco ufficiale, ma funziona lo stesso: se non conosci il cinese, scrivi le istruzioni in inglese.

Tutti gli audio seguenti usano la mia voce, con la battuta «歡迎來到月球基地的酒吧。今天想喝點什麼?» (Benvenuto al bar della base lunare. Cosa ti preparo oggi?):

Istruzione «你可以尝试用机器人的方式解答吗?» (Puoi rispondere come un robot?): stile robotico, perfetto per Arthur. Tutti i diritti riservati, non usare l'audio altrove.
Istruzione «请非常开心地说一句话。» (Di' una frase in modo molto allegro.) Tutti i diritti riservati, non usare l'audio altrove.
Istruzione «请用尽可能慢地语速说一句话。» (Di' una frase il più lentamente possibile): la stessa battuta arriva a 8 secondi. Tutti i diritti riservati, non usare l'audio altrove.
Istruzione «请用广东话表达。» (Esprimiti in cantonese), con la battuta scritta in cantonese: «歡迎嚟到月球基地嘅酒吧。今日想飲啲咩?» Tutti i diritti riservati, non usare l'audio altrove.
Istruzione «请用四川话表达。» (Esprimiti in sichuanese.) Tutti i diritti riservati, non usare l'audio altrove.

Per il cantonese, la battuta va scritta con i caratteri propri del cantonese (嚟, 嘅, 啲, 咩): solo così il riconoscimento vocale restituisce il testo esatto.

E il minnan (hokkien)?

L'elenco ufficiale dei dialetti comprende il minnan (hokkien). Con la stessa battuta e l'istruzione «请用闽南话表达。», al mio orecchio il risultato non somiglia per niente all'hokkien taiwanese (Taiwanese Hokkien), e anche l'intonazione è sbagliata.

Istruzione «请用闽南话表达。» (Esprimiti in minnan), battuta: «歡迎來到月球基地的酒吧。今天想喝點什麼?» Tutti i diritti riservati, non usare l'audio altrove.

Tag per respiri e risate

Nel testo si possono aggiungere tag come [breath] (respiro), <laughter>…</laughter> (parlare ridendo) o <strong>…</strong> (enfasi):

«如果我不擦杯子,[breath]我就非得找話聊不可。<laughter>那樣一來,客人都會覺得很[g][ān]尬。</laughter>» (Se non asciugo i bicchieri, mi tocca fare conversazione. E allora i clienti si sentono molto a disagio.) Tutti i diritti riservati, non usare l'audio altrove.

Sinceramente, non sento né il respiro né la risata. Almeno in questo test, i tag non hanno avuto un effetto evidente: meglio non aspettarsi troppo.

Numeri e orari

Come dicevo prima, nel mio ambiente manca il pacchetto di normalizzazione del testo. Ho provato una battuta con numeri e un orario:

«一杯特調 120 元,第 2 杯打 8 折,營業到 23:30。» (Un cocktail della casa costa 120, il secondo è scontato del 20%; siamo aperti fino alle 23:30.) Tutti i diritti riservati, non usare l'audio altrove.

«120 元», «8 折» e «23:30» sono stati pronunciati correttamente. Anche senza il pacchetto di normalizzazione, CosyVoice 3 gestisce numeri e orari comuni.

Con formati più complicati, però, come numeri di telefono, numeri di versione, date o orari, è più sicuro scriverli in caratteri cinesi. Un orario, per esempio, si può scrivere «十一點半» (le undici e mezza).

CosyVoice 3 a confronto con altri TTS open source

Rispetto ai modelli dell'articolo precedente, ecco cosa distingue CosyVoice 3:

  • Clonazione della voce in cinese molto migliore rispetto alla versione cinese di Chatterbox: con la stessa registrazione di riferimento e le stesse battute, ho fatto il confronto con Chatterbox in cinese. Con Chatterbox, molte parole erano poco chiare o pronunciate male e la qualità era pessima. Se vuoi clonare una voce in cinese, puoi saltare Chatterbox senza perdere tempo a provarlo.
  • Clonazione della voce più controllo con istruzioni: CosyVoice 3 imposta dialetto, emozione e velocità con una frase; Kokoro ha solo voci integrate e non permette di clonare la voce.
  • Accetta direttamente il cinese tradizionale: la maggior parte delle mie battute in cinese tradizionale è stata letta bene, senza dover convertire tutta la frase in cinese semplificato come con Qwen3-TTS.
  • Meno lingue: solo 9. La versione multilingue di Chatterbox ne supporta 23; CosyVoice 3, per esempio, non supporta vietnamita, indonesiano o turco.
  • Molto più lento di Kokoro: Kokoro genera una battuta in una decina di secondi su CPU; CosyVoice 3 diventa davvero pratico solo con la GPU integrata.

Si può clonare la voce di un'altra persona?

Tecnicamente basta una registrazione pulita per clonare la voce di chiunque, e il risultato è ottimo. Proprio per questo, clona solo la tua voce, o quella di qualcuno che ti ha dato il consenso. La voce delle persone famose è tutelata dai diritti della personalità, e far dire a qualcuno cose che non ha mai detto può configurare una truffa o una diffamazione.

La licenza Apache-2.0 di CosyVoice 3 consente l'uso commerciale del modello in sé; non significa che tu possa usare la voce di chiunque. Il mio metodo: uso la mia voce, oppure genero la voce originale di un personaggio con le voci integrate di un modello open source come Kokoro, e poi la clono.

Domande frequenti

CosyVoice 3 si può usare a scopo commerciale?

Sì. Fun-CosyVoice3-0.5B-2512 è rilasciato con licenza Apache-2.0, che consente l'uso commerciale. Ma la voce di riferimento deve essere la tua o quella di qualcuno che ha dato il consenso.

Si può clonare la voce in italiano con CosyVoice 3?

Sì. L'italiano è una delle 9 lingue supportate (cinese, inglese, giapponese, coreano, tedesco, spagnolo, francese, italiano, russo). In questo articolo la mia voce clonata parla italiano partendo da una registrazione di riferimento in cinese.

CosyVoice 3 parla cantonese o hokkien?

Il cantonese sì: il risultato è migliore se la battuta è scritta con i caratteri propri del cantonese (嚟, 嘅, 啲). L'elenco ufficiale dei dialetti comprende il minnan (hokkien), ma nel mio test non suonava come l'hokkien taiwanese e l'intonazione era sbagliata.

Si può usare CosyVoice 3 senza scheda video NVIDIA?

Sì. Su CPU una battuta di 8 secondi richiede quasi due minuti; con la GPU integrata Intel (PyTorch XPU) circa 20 secondi. Prima bisogna installare il driver di calcolo Intel e PyTorch con XPU.

CosyVoice 3.5 è open source?

Non al 21/11/2026. CosyVoice 3.5 si può usare solo tramite l'API di Alibaba Cloud Model Studio (Bailian), e i suoi pesi non sono su Hugging Face.

Quanto deve durare la registrazione per clonare la voce gratis con CosyVoice 3?

Bastano 5-10 secondi. La registrazione va fatta in un ambiente silenzioso, con una sola persona che parla, e va accompagnata da una trascrizione che corrisponda parola per parola. Più il riferimento è lungo, più la generazione è lenta.

Conclusione: 8 secondi di registrazione per doppiare con la propria voce

Con CosyVoice 3, per la prima volta, doppiare un gioco o un video con la mia voce mi sembra fattibile: registro 8 secondi e il modello legge tutte le battute successive, in italiano, inglese, giapponese o perfino cantonese. Niente scheda NVIDIA? Nessun problema, basta la CPU; e con una GPU integrata Intel va 5 volte più veloce.

Se hai provato CosyVoice 3, o vuoi vedere i test di altri modelli, scrivimi su Threads o su X.