Cosy Voice: 開源多語言TTS，支援情感語音克隆

CosyVoice 是一個成熟的 開源文字轉語音（TTS）解決方案，支援 多語言、跨語言、情感控制、零樣本語音克隆、流式低延遲合成。專案以 Python 為核心語言，適合部署在雲端或本地伺服器，並且支援 Docker 化生產部署。

Cosy Voice: 開源多語言TTS，支援情感語音克隆 主要使用 Python、PyTorch、Conda + pip 開發。

Cosy Voice: 開源多語言TTS，支援情感語音克隆 基於 Apache-2.0 授權開源。

CosyVoice 是一個成熟的開源文字轉語音（TTS）解決方案，支援多語言、跨語言、情感控制、零樣本語音克隆、流式低延遲合成。專案以 Python 為核心語言，適合部署在雲端或本地伺服器，並且支援 Docker 化生產部署。

CosyVoice 是一個開源的多語言語音生成模型，定位為「大規模語音生成與部署的全棧解決方案」。它支援從文字生成自然語音、跨語言語音克隆、情感控制等高階功能，適合用於 TTS（Text-to-Speech）、語音助手、播客合成等場景。

CosyVoice 由 FunAudioLLM 組織開發，採用 Apache-2.0 許可證開源，擁有較高社羣關注度和活躍度。

1、核心亮點

支援中文、英文、日語、韓語等主流語言。

產品級支援多種中文方言，例如粵語、四川話、上海話等。

支援跨語言、混合語言的語音克隆和合成。

引入雙向流式推理機制，首包延遲低至 ~150ms。

能夠在邊輸入文字邊輸出語音的場景中保持流暢。

改進發音準確度，整體質量明顯優於早期版本。

支援情感、語速、音量等控制標籤（在 API 或服務層面可配置）。

無需大量樣本即可根據一段音訊生成相似聲音的語音輸出（Zero-shot Voice Cloning）。

常見問題