CosyVoice 是一个开源的多语言语音生成模型，定位为“大规模语音生成与部署的全栈解决方案”。它支持从文本生成自然语音、跨语言语音克隆、情感控制等高级功能，适合用于 TTS（Text-to-Speech）、语音助手、播客合成等场景。
CosyVoice 由 FunAudioLLM 组织开发，采用 Apache-2.0 许可证开源，拥有较高社区关注度和活跃度。
1、核心亮点
? 多语言与方言支持
支持中文、英文、日语、韩语等主流语言。
产品级支持多种中文方言，例如粤语、四川话、上海话等。
支持跨语言、混合语言的语音克隆和合成。
⚡ 低延迟实时生成
引入双向流式推理机制，首包延迟低至 ~150ms。
能够在边输入文字边输出语音的场景中保持流畅。
? 高自然度与可控性
改进发音准确度，整体质量明显优于早期版本。
支持情感、语速、音量等控制标签（在 API 或服务层面可配置）。
? 零样本语音克隆
无需大量样本即可根据一段音频生成相似声音的语音输出（Zero-shot Voice Cloning）。
2、核心功能与模块
| 功能描述 | |
| TTS 语音合成 | 直接将文字转换成高保真语音 |
| Zero-shot 语音克隆 | 利用少量音频样本克隆声音 |
| 情感语音控制 | 可设置表达情绪、语气等参数 |
| 跨语言合成 | 支持不同语言与混合语言输出 |
| 流式输出机制 | 实现低延迟实时语音生成 |
评论
暂无评论
成为第一个评论的人