Sonbahar 2026 · Sükûnet Üssü'nden
Ay stüdyosunu gezin ↗
Yapay zeka araçları

CosyVoice 3: ücretsiz yapay zekâ ile ses klonlama, CPU'da bile

8 saniyelik kayıtla yapay zekâ ile ses klonlama, başka dillerde bile. Ekran kartı olmadan CPU'da çalışıyor: kurulum ve komut testleri.

Ay üssündeki kayıt stüdyosunda bir astronot mikrofona konuşuyor, üç renkli ses dalgası robot barmene, bir hoparlöre ve bir dizüstü bilgisayara doğru süzülüyor
Ay üssündeki kayıt stüdyosunda bir astronot mikrofona konuşuyor, üç renkli ses dalgası robot barmene, bir hoparlöre ve bir dizüstü bilgisayara doğru süzülüyor

Önceki yazıda birkaç açık kaynaklı TTS (metinden sese) modelini karşılaştırmış ve her birini ileride ayrı ayrı ele alacağımı söylemiştim. Bu yazının konusu CosyVoice 3: Yalnızca 8 saniyelik bir kayıtla o kişinin sesiyle yeni cümleler okuyabiliyor, başka dillerde konuşabiliyor, hatta Kantonca ve Sichuan lehçesi gibi Çince lehçelerini de taklit edebiliyor.

Dizüstü bilgisayarımda NVIDIA ekran kartı yok, ama sadece CPU ile de çalışıyor. Bir repliğin üretilmesi yaklaşık iki dakika sürüyor; bu nedenle replikleri topluca sıraya alıp arka planda üretilmeye bırakmak için uygun. Bilgisayarınızda Intel'in dahili grafik birimi varsa üretimi onunla hızlandırabilirsiniz; böylece yaklaşık 5 kat daha hızlı çalışıyor. Bu yazıda kurulumun tamamını, karşılaştığım sorunları ve kendi sesimle yaptığım ses klonlama denemesini anlatıyorum.

CosyVoice 3 nedir? Ticari olarak kullanılabilir mi?

CosyVoice, Alibaba'nın açık kaynaklı ses üretim modeli (kaynak koddaki telif bildirimi Alibaba Inc. adına). Şu anki en yeni açık kaynak sürüm, Aralık 2025'te yayımlanan Fun-CosyVoice3-0.5B-2512. Aşağıdaki bilgiler Hugging Face model sayfasından alındı; kontrol tarihi: 21.11.2026.

Özellik

Ayrıntı

Parametre sayısı

0.5B (500 milyon)

Lisans

Apache-2.0, ticari kullanıma izin veriyor

Diller

Çince, İngilizce, Japonca, Korece, Almanca, İspanyolca, Fransızca, İtalyanca ve Rusça; toplam 9 dil

Çince lehçeleri

18'den fazla, örneğin Kantonca, Minnan, Sichuan, Kuzeydoğu ve Şanghay lehçeleri

Ses klonlama

Tek bir referans kayıtla ses klonlama; diller arasında da kullanılabiliyor (Çince bir kayıttaki sesle İngilizce metin okunabiliyor)

Komutla kontrol

Tek bir cümleyle lehçe, hız, ses düzeyi ve duygu belirleniyor

Türkçe henüz yok. 21.11.2026 itibarıyla CosyVoice 3 Türkçe konuşamıyor; desteklediği diller tablodaki 9 dil. Yine de kendi sesinizi klonlayıp İngilizce, Çince veya desteklenen diğer dillerde kullanabilirsiniz. Aşağıdaki örneklerde İngilizce kullanıyorum.

Resmî değerlendirme tablosunda CosyVoice 3, Çince test setinde bir önceki sürüm CosyVoice 2'ye göre daha düşük karakter hata oranına (CER) ve daha yüksek ses benzerliğine sahip.

CosyVoice 3.5 açık kaynak mı?

Hayır. Alibaba, CosyVoice 3.5'i Mart 2026'da duyurdu ama şimdilik sadece Alibaba Cloud Model Studio API'si üzerinden ve yalnızca Pekin bölgesinde kullanılabiliyor. 21.11.2026 itibarıyla Hugging Face'te 3.5'in ağırlıkları yok; GitHub'daki bir tartışma başlığında kullanıcılar açık kaynak olarak yayımlanıp yayımlanmayacağını soruyor; resmî bir yanıt yok. Kendi bilgisayarınızda çalıştırmak ve ticari lisansla kullanmak istiyorsanız şimdilik seçenek 3.0.

Bir de şu var: CosyVoice'un GitHub deposu FunAudioLLM/CosyVoice adresinden QwenAudio/CosyVoice adresine taşındı, eski adres otomatik olarak yönlendiriyor.

Sistem gereksinimleri: NVIDIA ekran kartı olmadan çalışır mı?

Çalışır, sadece daha yavaş. Dizüstü bilgisayarımda Intel Core Ultra 5 322 (6 çekirdek) ve Panther Lake dahili grafik birimi var, harici ekran kartı yok. Yaklaşık 8 saniyelik aynı Çince replik için:

Neyle çalıştırdım

Üretim süresi

Süre oranı (küçük olan daha hızlı)

CPU (6 çekirdek)

115 sn

15,6

Intel dahili grafik birimi (PyTorch XPU)

21,5 sn

2,5

Modelin yüklenmesi ayrıca yaklaşık 12 saniye sürüyor. Dahili grafik birimiyle bir grup repliği tek seferde ürettiğinizde model bir kez yükleniyor ve 4 ile 6 saniyelik bir replik 15 ile 30 saniyede hazır oluyor.

Resmî kurulum NVIDIA ekran kartları (CUDA) için tasarlanmış. Intel'in dahili grafik birimini kullanmak için birkaç ek adım gerekiyor, aşağıda anlatıyorum.

CosyVoice 3 kurulumu (CPU sürümü)

Ortamım Linux (Arch), Python'u da uv ile yönetiyorum.

1. Kodu indirin

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

--recursive mutlaka eklenmeli, çünkü kullandığı Matcha-TTS bir alt modül.

2. Ortamı oluşturun, paketleri kurun

Resmî requirements.txt içinde CUDA'lı PyTorch, TensorRT ve DeepSpeed var. NVIDIA ekran kartı yoksa bunların hiçbiri işe yaramıyor. Ben sadece gerçekten gereken paketleri kurdum ve PyTorch'un CPU sürümünü belirttim:

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

Burada üç tuzağa düştüm:

  • openai-whisper derlenmiyor: kurulum betiği pkg_resources istiyor, yeni setuptools sürümlerinde ise bu kaldırılmış. Önce setuptools<81 kurun, sonra paket için derleme yalıtımını devre dışı bırakın (--no-build-isolation-package).
  • lightning ve rich eksikse model yüklenmiyor: modelin yapılandırma dosyası bu iki paketi kullanıyor, onları da kurmak gerekiyor.
  • no frontend is avaliable mesajı: metin normalleştirme paketi wetext, ModelScope'tan veri indirmeye çalışıyor; bende erişim reddedildi (403). Bu paket olmadan da ses üretilebiliyor; CosyVoice 3 sıradan sayıları ve sembolleri kendisi de işleyebiliyor; aşağıda bunu da test ettim.

3. Modeli indirin (4 GB tasarruf edebilirsiniz)

Modelin tamamı yaklaşık 9,8 GB, ama bu kurulumda kullanılmayan birkaç dosyayı atlayabilirsiniz:

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",   # TensorRT için
                     "speech_tokenizer_v3.batch.onnx",      # toplu çıkarım için
                     "llm.rl.pt"])                          # pekiştirmeli öğrenme sürümü, varsayılan olarak yüklenmiyor

İndirme sonrası boyut 5,1 GB.

4. İlk cümleyi üretin

CosyVoice 3'ün istem metninin sabit bir biçimi var: başına You are a helpful assistant.<|endofprompt|> eklenmesi gerekiyor. Resmî example.py dosyasından uyarladım:

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|>"

# Ses klonlama: referans ses + referans sesin metni
out = m.inference_zero_shot("Okunacak replik", SYS + "Referans seste söylenenler", "ref.wav", stream=False)
wav = torch.cat([x["tts_speech"] for x in out], dim=1)
torchaudio.save("out.wav", wav, m.sample_rate)

Üç temel kullanım şekli:

Fonksiyon

Ne işe yarar

inference_zero_shot(replik, SYS+metin, referans_ses)

Ses klonlama; en yüksek ses benzerliğini sağlıyor. Referans kaydın metni gerekiyor

inference_cross_lingual(SYS+replik, referans_ses)

Referans kaydın metni gerekmiyor; diller arası klonlama için uygun. Örneğin Çince bir kayıttaki sesle İngilizce metin okutmak

inference_instruct2(replik, komut, referans_ses)

Tek bir cümleyle lehçe, hız ve duygu belirleniyor. Komut biçimi aşağıda

Komut şöyle yazılıyor: "You are a helpful assistant. 请用广东话表达。<|endofprompt|>". Başta yine aynı sabit cümle, ortada komut, sonda <|endofprompt|>.

Bunların hepsini ~/tools/cosyvoice/ altında tek bir komutta birleştirdim; her projeden doğrudan çağırabiliyorum.

İleri seviye: Intel'in dahili grafik birimiyle 5 kat hız (PyTorch XPU)

PyTorch'un Intel grafik yongaları için arka ucunun adı XPU. CosyVoice'un kullandığı PyTorch 2.3.1'de XPU henüz yok; bu yüzden ayrı bir ortam kurdum, CPU ortamına hiç dokunmadım.

1. Intel'in hesaplama sürücüsünü kurun

Sıradan bir masaüstü sistemde yalnızca görüntü sürücüsü kurulu olur. PyTorch'un grafik yongasında hesaplama yapabilmesi için Intel'in hesaplama sürücüsünü (Level Zero) de kurmak gerekiyor. Arch Linux'ta:

sudo pacman -S intel-compute-runtime

2. PyTorch'un XPU sürümünü kurun

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))"

Ekranda True Intel(R) Graphics görürseniz dahili grafik birimi algılanmış demektir. Bende kurulan sürüm PyTorch 2.14.1 oldu.

Ardından yukarıdaki paket listesini bu ortama kurun ve -c seçeneğiyle sürüm kısıtlamalarını içeren bir dosya belirtin. Bu dosyaya kurulu torch sürümünü yazın; böylece başka paketler kurulurken torch, XPU olmayan bir sürümle değiştirilmez.

3. Çakışan triton'u kaldırın

Kurulumdan sonra import transformers şu hatayla başarısız oldu: cannot import name 'make_tensordesc_args'. Sebebi, openai-whisper'ın beraberinde eski bir triton kurup XPU'lu PyTorch'un ihtiyaç duyduğu triton-xpu'nun üzerine yazması. Eski sürümü kaldırıp triton-xpu'yu yeniden kurmak yetiyor:

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. Modeli dahili grafik birimine taşıyın

CosyVoice'un kodu yalnızca CUDA'yı tanıyor: NVIDIA ekran kartı yoksa otomatik olarak CPU'ya geçiyor. Resmî kodu değiştirmek yerine modeli önce CPU'da yüklüyor, sonra üç ana ağı dahili grafik birimine taşıyorum:

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

Böylece resmî kodu ileride güncellediğinizde çakışma çıkmaz. Dahili grafik biriminde ilk çalıştırmada derleme yapılıyor; bu da süreye on küsur saniye ekliyor. Sonraki çalıştırmalarda bu ek süre gerekmiyor.

Test 1: kendi sesimle ses klonlama

Telefonla 8 saniyelik bir ses kaydı alıp klonlama için referans olarak kullandım. CosyVoice 3 henüz Türkçe konuşamadığı için (yukarıya bakın) ana örneği, desteklenen 9 dilden biri olan İngilizce hazırladım.

Uyarı: Bu yazıdaki tüm ses örnekleri yazar Terry L'nin kendi sesinden ve bu sesin klonlanmasıyla üretilen kayıtlardan oluşur. Tüm hakları saklıdır. Lütfen indirmeyin, yeniden yayımlamayın ve ses klonlamak da dâhil olmak üzere başka hiçbir amaçla kullanmayın.
Orijinal kaydım (8 saniye), Çince: "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。" (Ay üssüme hoş geldiniz. Yazılarımda çeşitli araçları nasıl test ettiğimi anlatıyorum, umarım işinize yarar.) Tüm hakları saklıdır, başka yerde kullanmayın

Aşağıdaki cümleyi ben hiç söylemedim. CosyVoice 3 bu cümleyi yukarıdaki kayıttaki sesimle, üstelik başka bir dilde üretti:

Klonlanmış sesim İngilizce konuşuyor: "This sentence was generated by CosyVoice 3 from an eight-second clip of my voice. I never actually said it." Tüm hakları saklıdır, başka yerde kullanmayın

Bence üretilen ses benim sesime çok benziyor.

Diller arası klonlama: Aynı Çince kayıtla klonlanmış sesinizi Japonca da Kantonca da konuşturabiliyorsunuz:

Klonlanmış sesim Japonca konuşuyor (katakana ile girildi): "この声は、私の8秒の録音から作られました。" Tüm hakları saklıdır, başka yerde kullanmayın
Klonlanmış sesim Kantonca konuşuyor: "歡迎嚟到我嘅月球基地部落格。" Tüm hakları saklıdır, başka yerde kullanmayın

İngilizce, Japonca ve Kantonca parçaları ayrıca konuşma tanıma (Whisper) ile metne çevirip karşılaştırdım: hepsi doğruydu; fazladan okunan ya da atlanan kelime yoktu.

Referans kaydı nasıl alınmalı?

  • 5 ila 10 saniye yeterli. 20 saniyelik bir referans da denedim, üretim süresi 2 ila 3 katına çıktı.
  • Sessiz bir ortam, tek bir konuşmacı: arka plan müziği ve gürültü de klonlanıyor.
  • Metnini de verin: inference_zero_shot kullanırken metin kayıtla kelimesi kelimesine aynı olmalı. Kayıtta ne söylendiğinden emin değilseniz önce Whisper ile yazıya dökün ya da inference_cross_lingual kullanın.
  • Kaydın sesi çok kısıksa önce ses düzeyini yükseltin: telefon kaydımın ortalama ses düzeyi sadece -31 dB'ydi; klonlamadan önce baştaki ve sondaki sessizliği kesip ses düzeyini ayarladım.

Ses tonu ve hız da klonlanıyor

CosyVoice 3 sadece ses rengini klonlamıyor; konuşma hızı, ton ve tonlama da referans kayda göre şekilleniyor. inference_zero_shot kullanıldığında referans kaydı ve metni "daha önce söylenmiş sözler" olarak ele alınıyor, model de oradan devam ettiği için aynı konuşma tarzını sürdürüyor.

Testimde orijinal kayıt saniyede yaklaşık 4,3 Çince karakter hızındaydı, klonlanan bir Çince cümle ise saniyede yaklaşık 4,4; yani çok yakın. Ama her seferinde bu kadar tutarlı değil: aynı cümle farklı bir rastgelelik tohumu (seed) ile saniyede 3,6 karaktere kadar yavaşladı, Arthur'un klonlanmış repliği de referanstan biraz daha hızlı çıktı. Bu yüzden önemli replikler için birkaç sürüm üretip içlerinden seçmek daha iyi.

Bunun anlamı şu:

  • Hangi tonu istiyorsanız o tonda kaydedin: kızgın bir replik için kızgın bir referans, yumuşak ve yavaş bir replik için yavaş okunmuş bir referans kaydedin. Aynı karakter için normal, heyecanlı ve fısıltılı konuşma gibi farklı tarzlarda birkaç referans hazırlayabilirsiniz.
  • Referans kaydındaki kusurlar da kopyalanıyor: çok hızlı ya da düz okursanız, kayıtta yankı veya gürültü varsa klon da öyle çıkar.
  • İnce ayar için üç yol var: speed parametresiyle doğrudan hızlandırmak ya da yavaşlatmak; inference_instruct2 ile "请用尽可能慢地语速说一句话。" (olabildiğince yavaş söyle) gibi bir komut vermek; ya da inference_cross_lingual'a geçmek.

Kaynak koda bakınca inference_cross_lingual'ın referans kaydını, ritmi belirleyen dil modeline vermediği görülüyor. Referans yalnızca ses rengini belirliyor, bu yüzden kaydın ritmini daha az taklit ediyor.

Test 2: robot barmen Arthur'u seslendirmek

Sitenin ana sayfası bir Ay üssü: astronotu üssün içinde gezdirebildiğiniz, hava kilidinden Ay yüzeyine çıkabildiğiniz ya da bara gidip özel bir kokteyl isteyebildiğiniz küçük bir 3D oyun. Bu blog da üssün nasıl yapıldığını anlatıyor. Barda robot barmen Arthur çalışıyor. Bu karakter, Passengers (2016) filmindeki android barmen Arthur'a bir saygı duruşu; birkaç repliği de filmden uyarlandı. Filmde Arthur'u Michael Sheen canlandırıyor, burada onun sesini bilerek taklit etmiyorum.

Bu bölümde yine kendi sesimle (aynı 8 saniyelik kayıt) Arthur'un repliklerini okutup diller arası geçişi ve telaffuzu test ettim.

Diller arası: Çince kaydımdan üretilen ses İngilizce okuyor: "A bartender keeps confidence. It's the sacred trust of the craft." Tüm hakları saklıdır, başka yerde kullanmayın

Birden fazla okunuşu olan bir Çince karakter yanlış okunursa, repliğin içine [h][áng] gibi pinyin işaretleri yazabilirsiniz. İngilizce kelimelerin telaffuzu da CMU fonemleriyle belirlenebiliyor. Bu bir kez başıma geldi: aşağıdaki nefes ve gülme etiketleri testindeki replikte 尷 karakteri ilk üretimde yanlış okundu; onu [g][ān] ile değiştirip yeniden ürettim, doğru okundu.

Japonca önce katakanaya çevrilmeli

Resmî örnekte özellikle belirtilmiş: Japonca metin girmeden önce katakanaya çevrilmeli. İkisini de denedim. Kanji ve hiragana ile girdiğimde konuşma tanımayla elde edilen metin epey farklıydı, bazı kelimeler yanlış okunmuştu; katakana ile doğru çıktı.

Japonca olduğu gibi girildi: "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。" Konuşma tanıma birkaç kelimeyi yanlış çıkardı. Tüm hakları saklıdır, başka yerde kullanmayın
Aynı cümle katakana ile: "バーテンダー ワ ヒミツ オ マモル モノ デス……" Konuşma tanıma doğru metni verdi. Tüm hakları saklıdır, başka yerde kullanmayın

Japonca seslendirme yaparken replikleri önce yapay zekâ destekli bir kodlama asistanıyla katakanaya çevirip sonra CosyVoice'a verebilirsiniz.

Test 3: komutla lehçe, duygu ve hızı kontrol etmek

inference_instruct2 tek cümlelik bir komut alıyor. Resmî kodda desteklenen komutlar listelenmiş: 17 Çince lehçe, ayrıca ses düzeyi, hız, duygu ve "robot gibi konuş" gibi komutlar.

Komutları basitleştirilmiş Çince ya da İngilizce yazın. Resmî komutların çoğu basitleştirilmiş Çince; ses düzeyiyle ilgili ikisi ise İngilizce ("Please say a sentence as loudly as possible." ve "Please say a sentence in a very soft voice."). Çince bilmiyorsanız İngilizce komut kullanın.

Aynı replikte "olabildiğince yavaş" komutunun üç farklı yazımını denedim:

Komut

Replik süresi

Komut yok

Yaklaşık 4 ila 5 sn

Basitleştirilmiş Çince "请用尽可能慢地语速说一句话。"

8,2 sn

İngilizce "Please say a sentence as slowly as possible."

8,5 sn

Geleneksel Çince "請用盡可能慢地語速說一句話。"

5,3 sn

Basitleştirilmiş Çince ve İngilizce komutlar konuşmayı belirgin şekilde yavaşlattı; geleneksel Çince komut ise neredeyse hiç etki etmedi. İngilizce komut resmî listede yok ama yine de çalışıyor.

Aşağıdaki örneklerin hepsini kendi sesimle ürettim. Replik şu: "歡迎來到月球基地的酒吧。今天想喝點什麼?" (Ay üssünün barına hoş geldiniz. Bugün ne içmek istersiniz?).

Komut "你可以尝试用机器人的方式解答吗?" (robot gibi cevap verebilir misin?): robotik bir üslup, Arthur'a çok yakışıyor. Tüm hakları saklıdır, başka yerde kullanmayın
Komut "请非常开心地说一句话。" (çok mutlu bir şekilde söyle). Tüm hakları saklıdır, başka yerde kullanmayın
Komut "请用尽可能慢地语速说一句话。" (olabildiğince yavaş söyle): aynı replik 8 saniyeye çıktı. Tüm hakları saklıdır, başka yerde kullanmayın
Komut "请用广东话表达。" (Kantonca söyle), replik Kantonca yazımla: "歡迎嚟到月球基地嘅酒吧。今日想飲啲咩?" Tüm hakları saklıdır, başka yerde kullanmayın
Komut "请用四川话表达。" (Sichuan lehçesiyle söyle). Tüm hakları saklıdır, başka yerde kullanmayın

Kantonca için repliğin Kantonca yazımıyla (嚟, 嘅, 啲, 咩) yazılması gerekiyor; ancak o zaman konuşma tanımayla elde edilen metin tamamen doğru çıkıyor.

Minnan (Hokkien) ne durumda?

Resmî lehçe listesinde Minnan (Hokkien) var. "请用闽南话表达。" komutuyla denedim ama bana hiç Tayvan Hokkiencesi (Taiwanese Hokkien) gibi gelmedi, tonlama da yanlıştı.

Komut "请用闽南话表达。" (Minnan lehçesiyle söyle), replik "歡迎來到月球基地的酒吧。今天想喝點什麼?" Tüm hakları saklıdır, başka yerde kullanmayın

Nefes ve gülme etiketleri

Repliğe [breath] (nefes), <laughter>…</laughter> (gülerek konuşma) ve <strong>…</strong> (vurgu) gibi etiketler eklenebiliyor:

"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>" (Bardağı silmezsem sohbet etmek zorunda kalırım. O zaman da müşteriler mahcup olur.) Tüm hakları saklıdır, başka yerde kullanmayın

Açıkçası ne nefesi ne de gülmeyi duyabildim. En azından bu testte etiketlerin belirgin bir etkisi olmadı, beklentinizi fazla yüksek tutmayın.

Sayılar ve saatler

Daha önce söylediğim gibi ortamımda metin normalleştirme paketi eksik. Sayı ve saat içeren Çince bir repliği denedim:

"一杯特調 120 元,第 2 杯打 8 折,營業到 23:30。" (Özel kokteyl 120, ikincisi yüzde 20 indirimli, 23.30'a kadar açığız.) Tüm hakları saklıdır, başka yerde kullanmayın

"120", indirim ve "23:30" doğru okundu. Metin normalleştirme paketi olmasa da CosyVoice 3 sıradan sayıları ve saatleri işleyebiliyor.

Yine de telefon numarası, sürüm numarası, tarih veya saat gibi daha karmaşık yazımları Çince karakterlerle yazıya dökmek daha güvenilir bir yol.

CosyVoice 3 diğer açık kaynak TTS modelleriyle karşılaştırıldığında

Önceki yazıdaki modellere göre CosyVoice 3'ün öne çıkan yanları:

  • Çince klonlama, Chatterbox'ın Çince sürümünden çok daha iyi: aynı referans kayıt ve aynı repliklerle Chatterbox'ın Çince sürümünü de denedim. Pek çok kelimeyi anlaşılmaz biçimde ya da yanlış okudu, kalite çok kötüydü. Çince bir ses klonlamak istiyorsanız Chatterbox'ı test etmekle hiç vakit kaybetmeyin.
  • Ses klonlama ve komutla kontrol bir arada: CosyVoice 3'te tek bir komut cümlesiyle lehçe, duygu ve hız belirlenebiliyor; Kokoro ise yalnızca hazır sesleri kullanabiliyor, klonlama yapamıyor.
  • Geleneksel Çince doğrudan girilebiliyor: denediğim geleneksel Çince repliklerin çoğu doğru okundu, yanlış okunan tek tük karakterler basitleştirilmiş Çince ya da pinyin ile düzeliyor. Qwen3-TTS'teki gibi tüm cümleyi basitleştirilmiş Çinceye çevirmek gerekmiyor.
  • Dil sayısı az: sadece 9. Chatterbox'ın çok dilli sürümü 23 dili destekliyor; Vietnamca, Endonezce ve Türkçe gibi dilleri CosyVoice 3 desteklemiyor.
  • Kokoro'dan çok daha yavaş: Kokoro CPU'da bir repliği on küsur saniyede üretiyor; CosyVoice 3 ise ancak dahili grafik birimiyle pratik hâle geliyor.

Başkasının sesini klonlayabilir miyim?

Teknik olarak temiz bir kaydı olan herkesin sesi klonlanabilir, sonuç da çok iyi. Tam da bu yüzden yalnızca kendi sesinizi ya da sesini klonlamak için izin aldığınız kişilerin sesini klonlayın. Ünlülerin sesi kişilik hakları kapsamında korunuyor; birinin sesiyle söylemediği şeyleri söyletmek de dolandırıcılık ya da hakaret kapsamına girebilir.

CosyVoice 3'ün Apache-2.0 lisansı modelin kendisinin ticari kullanımına izin veriyor; bu, herhangi birinin sesini kullanabileceğiniz anlamına gelmiyor. Ben şöyle yapıyorum: ya kendi sesimi kullanıyorum ya da karakterin özgün sesini Kokoro gibi açık kaynaklı bir modelin hazır sesleriyle üretip onu klonluyorum.

Sık sorulan sorular

CosyVoice 3 ticari olarak kullanılabilir mi?

Evet. Fun-CosyVoice3-0.5B-2512 Apache-2.0 lisanslı, ticari kullanıma izin veriyor. Ama referans ses ya sizin olmalı ya da izin aldığınız birine ait olmalı.

CosyVoice 3 Türkçeyi destekliyor mu?

Hayır. 21.11.2026 itibarıyla desteklediği 9 dil şunlar: Çince, İngilizce, Japonca, Korece, Almanca, İspanyolca, Fransızca, İtalyanca ve Rusça. Yine de kendi sesinizi klonlayıp bu dillerden birinde, örneğin bu yazıdaki gibi İngilizce konuşturabilirsiniz.

NVIDIA ekran kartı olmadan ücretsiz ses klonlama yapılabilir mi?

Evet. CPU'da 8 saniyelik bir repliğin üretilmesi yaklaşık iki dakika sürüyor; Intel'in dahili grafik birimiyle (PyTorch XPU) yaklaşık 20 saniye. Bunun için Intel'in hesaplama sürücüsünü ve PyTorch'un XPU sürümünü kurmanız gerekiyor.

CosyVoice 3 Kantonca ve diğer Çince lehçeleri konuşabiliyor mu?

Kantonca evet; replik Kantonca yazımla (嚟, 嘅, 啲) yazılınca en iyi sonucu veriyor. Resmî listede Minnan da var ama testimde Tayvan Hokkiencesi gibi duyulmadı, tonlama da yanlıştı.

CosyVoice 3.5 açık kaynak mı?

21.11.2026 itibarıyla hayır. CosyVoice 3.5 yalnızca Alibaba Cloud Model Studio API'si üzerinden kullanılabiliyor, Hugging Face'te ağırlıkları yok.

Yapay zekâ ile ses klonlama için referans kayıt ne kadar uzun olmalı?

5 ila 10 saniye yeterli. Sessiz bir ortamda, tek kişi konuşurken kaydedin ve kelimesi kelimesine doğru metni ekleyin. Referans uzadıkça üretim yavaşlıyor.

Sonuç: 8 saniyelik kayıtla kendi seslendirmeniz

CosyVoice 3, oyunları ya da videoları kendi sesimle seslendirmenin mümkün olduğunu ilk kez hissettiren model oldu: 8 saniye kaydedin, gerisini modele okutun; üstelik İngilizce, Japonca ya da Kantonca da olabilir. NVIDIA ekran kartınız yoksa sorun değil, CPU'da çalışıyor; Intel'in dahili grafik birimi varsa yaklaşık 5 kat daha hızlı.

Siz de CosyVoice 3'ü denediyseniz ya da başka modellerin testlerini görmek istiyorsanız Threads veya X üzerinden yorum bırakın.