CosyVoice 语音合成项目概览

用途与定位

CosyVoice 是 FunAudioLLM 生态中的文本转语音项目，基于大语言模型实现零样本语音克隆与多语言合成。仓库提供 1.0、2.0 和 Fun-CosyVoice 3.0 三代模型的说明与权重入口，当前推荐使用 Fun-CosyVoice3-0.5B。

3.0 版本的变化

据项目页说明，3.0 在内容一致性、说话人相似度和韵律自然度上较 2.0 有所提升，覆盖 9 种常用语言和 18 种以上中文方言/口音，支持多语言与跨语言零样本克隆。此外还提供拼音与英文 CMU 音素的发音修补、无需传统前端的文本规范化、文本输入与音频输出双流式（资料称延迟可低至 150ms），以及语言、方言、情绪、语速、音量等指令控制。

适用场景

可用于多语言配音、方言语音生成、需要流式低延迟输出的交互式语音应用，以及有发音纠正需求的合成场景。项目提供 vLLM 推理、Web 演示、FastAPI/gRPC 服务化与 TensorRT-LLM 加速等入口。

限制与待核实事项

页面表格是项目方自报的评测结果，测试条件与对比设置需查看论文核实；延迟、加速倍数等指标未在本页给出测试环境，实际表现待验证。vLLM 支持范围仅列出部分版本，中间版本未测试。上述内容整理自项目 README，未进行实际安装或运行验证。