CosyVoice

CosyVoice是什么

CosyVoice是阿里巴巴通义实验室FunAudioLLM团队推出的开源语音生成大模型，主打高自然度语音合成、零样本声音克隆。只需3秒以上清晰音频样本，无需额外训练，即可复刻目标音色，支持跨语言克隆。模型覆盖9门主流外语与18种以上中文方言，支持文本内多语言混合输出，可通过自然语言指令调控情绪、语速、停顿，模拟笑声、呼吸等人声细节，摆脱机械朗读感。

CosyVoice原生支持双向流式合成，首包延迟低至150ms，适配实时对话场景，同时优化数字、生僻字、特殊符号处理，可用于生产落地。开发者既可以本地私有化部署，也可调用阿里云云端API。广泛用于AI对话助手、有声书、短视频配音、智能客服、游戏NPC语音等场景。

CosyVoice功能特点

✅ 零样本声音克隆
仅需 3 秒以上清晰参考音频，无需模型微调训练，即可快速复刻目标音色，音色还原度高，快速生成个性化语音。

✅ 跨语言音色迁移
支持参考音频与输出语言不一致，使用某一语种录音，就可以生成其他外语语音，跨语种仍可保持原有说话人音色特征。

✅ 多语言和多方言
覆盖 9 门主流外语、18 种以上中文方言，支持同一段文本内部多语言混合输出，方言发音地道，适配多样化内容制作需求。

✅ 指令式情感控制
通过自然语言指令调控情绪、语速、音量，可插入笑声、呼吸声，设置重音停顿，摆脱机械朗读，提升语音真实感与表现力。

✅ 流式低延迟合成
文本流式输入、音频流式输出，首包延迟低至 150 毫秒，边生成边播放，适配 AI 对话、实时交互等对响应速度要求高的业务场景。

✅ 文本与发音纠错
自动解析数字、符号、生僻字，支持拼音音素修正发音，降低读错概率，长文本合成稳定性好，满足生产环境使用标准。

✅ 开源私有化部署
采用 Apache‑2.0 协议开源，可本地部署推理，也可调用云端 API，提供 Flash 与 Plus 版本，兼顾速度与高音质两种需求。

✅ 长文本语音生成
可处理大篇幅文稿，音色全程稳定不漂移，适合有声书、长篇配音，输出音质自然流畅，满足批量音频内容生产场景。

CosyVoice应用场景

CosyVoice如何使用

🔗 CosyVoice网页版

CosyVoice可以在web网页端在线使用，电脑或手机浏览器访问CosyVoice官网，注册登录后即可在线使用。

• CosyVoice官网地址：https://cosyvoice.net/

🛠 CosyVoice开源版

CosyVoice采用Apache‑2.0协议开源，可以通过GitHub、ModelScope、HuggingFace进行本地部署使用。

• CosyVoice开源版下载地址_Github：https://github.com/QwenAudio/CosyVoice
• CosyVoice开源版下载地址_HuggingFace：https://huggingface.co/spaces/FunAudioLLM/Fun-CosyVoice3-0.5B
• CosyVoice开源版下载地址_ModelScope：https://www.modelscope.ai/models/iic/CosyVoice2-0.5B