# Fun-CosyVoice3 (Sprachmodell)

> Lokale Text-zu-Sprache mit Stimmklonen von Alibabas Tongyi Lab: Fun-CosyVoice3 0.5B spricht mit der Stimme eines 3-30 s langen Clips auf Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Spanisch, Französisch, Italienisch, Russisch und Kantonesisch und folgt Stil-Anweisungen (Emotion, Tempo, Dialekt). Läuft auf deiner GPU mit audio.cpp. Apache-2.0.

- Id: `aigd.tts-cosyvoice3`
- Quelle: Offiziell (First-Party `aigd.*`)
- Kategorie: Audio
- Herausgeber: AI Game Dev (`aigd`), verifiziert
- Neueste Version: 1.0.2 (veröffentlicht am 2026-11-22)
- Lizenz: SEE LICENSE IN README.md
- Erfordert die AI Game Dev App: `>=0.32.0-beta.6`
- Nativer Code: nein
- Bewertung: noch nicht bewertet
- HTML-Seite: https://ai-game.dev/de/packages/aigd.tts-cosyvoice3

## Installieren

Mit der gamedev CLI im Projektordner:

```bash
gamedev pkg add aigd.tts-cosyvoice3
```

In der Desktop-App: Öffne das Fenster Packages (das Paket-Symbol in der Statusleiste), wähle **Browse**, suche nach `aigd.tts-cosyvoice3` und klicke auf **Add to Project**. Mehr: https://ai-game.dev/docs/wiki/app/packages

## Versionen

| Version | Veröffentlicht | Erfordert App | Hinweise |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | neueste |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Beschreibung

````markdown
# Fun-CosyVoice3 (`aigd.tts-cosyvoice3`)

Fun-CosyVoice3 0.5B (Tongyi Lab, Alibaba) ist ein Text-zu-Sprache-Modell mit Stimmklonen: Es spricht deinen Text mit der Stimme eines kurzen Referenzclips, in neun Sprachen plus Kantonesisch, und folgt Stil-Anweisungen wie Emotion, Tempo oder Dialekt. In AI Game Dev läuft es über **Local audio generation** (`aigd.audiocpp`, die audio.cpp-Laufzeit) auf deiner GPU. Es passt zu Spielen, die eine Charakterstimme über asiatische und europäische Sprachen hinweg brauchen.

## Was du erstellen kannst

- Charakterdialog in einer aus einem 3–30 s langen Clip geklonten Stimme – auf Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Spanisch, Französisch, Italienisch, Russisch oder Kantonesisch.
- Sprachübergreifende Voice-overs: dieselbe Stimme spricht eine andere Sprache als die im Clip.
- Variationen einer Zeile per Anweisung: wärmer, schneller, trauriger oder in einem Dialekt.

## Beispielanfragen

- "Klone `Audio/ref/merchant.wav` und sag die Begrüßung des Händlers auf Japanisch und Koreanisch."
- "Lies diese Zeile mit derselben Stimme, aber sprich warm und etwas langsamer."
- "Sprich die kantonesische Version des Ladendialogs mit dem Referenzclip, den ich hinzugefügt habe."

## Highlights

|  |  |
|---|---|
| Modell-ID | `aigd.tts-cosyvoice3.q8-0` |
| Sprachen | zh, en, ja, ko, de, es, fr, it, ru, yue (Kantonesisch) |
| Stimmen | immer ein Klon eines 3–30 s langen Referenzclips (Transkript optional) |
| Stil-Anweisungen | ja (Emotion, Tempo, Dialekt) |
| Ausgabe | 24 kHz, Mono-WAV |
| Text pro Anfrage | bis zu 2.000 Zeichen |
| Läuft auf | NVIDIA (CUDA), Vulkan oder Mac (Metal) GPUs |
| Download | 2.26 GB, 1 Datei |
| Lizenz | Apache-2.0, kommerzielle Nutzung erlaubt |

## So läuft es

Jede Anfrage braucht einen 3–30 s langen Referenzclip (eine WAV-Datei in deinem Projekt). Mit seinem Transkript klont das Modell die Stimme eng; ohne eines klont es sprachübergreifend. Eine Stil-Anweisung ("sprich warm", "schneller", ein Dialekt) verändert die Vortragsweise.

Dieses Paket enthält nur Daten. Es benennt eine Datei; die App lädt sie nach deiner Bestätigung herunter, prüft sie per sha256 und führt sie mit audio.cpp auf deinem Computer aus.

## Download

2.26 GB, eine Datei, festgelegt auf den Hugging Face Commit `b7b9aa1f`:

| Datei | Von | Größe |
|---|---|---:|
| `cosyvoice3-q8_0.gguf` | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/CosyVoice3-GGUF) | 2.26 GB |

Konvertiert aus [`FunAudioLLM/Fun-CosyVoice3-0.5B-2512`](https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512).

## Welche Computer

| Computer | Benötigt | Geschwindigkeit |
|---|---|---|
| NVIDIA GPU (CUDA) oder eine andere GPU (Vulkan) | etwa 4 GB GPU-Speicher (Schätzung) | noch nicht gemessen |
| Mac mit Apple silicon (Metal) | etwa 8 GB Arbeitsspeicher (Schätzung) | noch nicht gemessen |

## Lizenz

Apache-2.0. Kommerzielle Nutzung ist erlaubt.

- Fun-CosyVoice3-0.5B-2512 © Tongyi Lab, Alibaba (FunAudioLLM) — [Modellkarte](https://huggingface.co/FunAudioLLM/Fun-CosyVoice3-0.5B-2512) (`license: apache-2.0`). Das Modell-Repository enthält **keine LICENSE-Datei**; der Apache-2.0-Text steht im [CosyVoice-Code-Repository](https://github.com/FunAudioLLM/CosyVoice/blob/main/LICENSE).
- GGUF-Konvertierung von audio.cpp — [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf); die [Modelllizenz-Tabelle](https://github.com/0xShug0/audio.cpp/blob/v0.9.5/docs/model_licenses.md) von audio.cpp führt es als Apache-2.0, kommerzielle Nutzung: ja.

Erforderliche Namensnennung, wenn du die Gewichte weiterverbreitest: der Apache-2.0-Lizenztext und die Hinweise. Für die von dir erzeugte Sprache ist keine Namensnennung erforderlich.

Einschränkungen, klar gesagt: keine in der Lizenz über ihre Hinweise hinaus. Klone nur Stimmen, für die du die Rechte hast; du bist verantwortlich für das, was du erzeugst.

Wie im Paket angegeben (`license`):

- Lizenz: Apache-2.0 — https://github.com/FunAudioLLM/CosyVoice/blob/main/LICENSE
- Namensnennung: Fun-CosyVoice3-0.5B-2512 © Tongyi Lab, Alibaba (FunAudioLLM), Apache-2.0; GGUF-Konvertierung von audio.cpp
- Einschränkung (Namensnennung): Die Weitergabe der Gewichte erfordert den Apache-2.0-Lizenztext und die Hinweise.
- Einschränkung (sonstige): Das Hugging Face Modell-Repository deklariert Apache-2.0 in seiner Karte, liefert aber keine LICENSE-Datei; der Lizenztext steht im Code-Repository FunAudioLLM/CosyVoice.
- Einschränkung (sonstige): Stimmklonen: Verwende nur Stimmen, deren Wiedergabe dir erlaubt ist; du bist verantwortlich für das, was du erzeugst.

Alle Dateien werden von Hugging Face heruntergeladen. AI Game Dev hostet sie nicht.
````
