多数开源语音合成模型的宣传点都落在「像不像人」上，CosyVoice 的路线略有不同：它把重心放在覆盖面——九种语言、十八种以上中文方言与口音，再加上跨语言的零样本声音克隆。项目由 FunAudioLLM 团队维护，仓库简介写得很直接：一个多语言大语音生成模型，提供推理、训练与部署的全栈能力。

代码以 Apache 2.0 许可证开源，最新一代是 Fun-CosyVoice 3.0，官方说明它是基于大语言模型的语音合成系统，在内容一致性、说话人相似度与韵律自然度上都比上一代 CosyVoice 2.0 更强。

先看覆盖范围：九种语言加十八种中文方言

官方列出的九种语言是中文、英语、日语、韩语、德语、西班牙语、法语、意大利语和俄语。对国内使用者来说，更值得关注的是方言那一栏：十八种以上中文方言与口音，官方举例里能看到广东、闽南、四川、东北、陕西、山西、上海、天津、山东、宁夏与甘肃。

方言支持的难度不在于「能不能念」，而在于语料稀缺、发音规律和普通话差别大。把这一块单独列进核心特性，说明这个项目在中文语境下的投入是有意为之的。

零样本克隆，以及用指令调语气

声音克隆方面，官方把「多语言」与「跨语言」的零样本克隆放在同一条说明里——意味着你可以用一种语言录的样本，去合成另一种语言的语音，不需要为每个语种重新准备数据。

另一个实用功能是指令控制：语言、方言、情感、语速、音量都可以通过指令指定。对做有声内容的人来说，这比反复重新生成碰运气要可控。官方还单独列出发音修正能力，支持中文拼音与英文 CMU 音素的干预，遇到多音字或者外文专有名词时可以手工纠正。

流式推理：延迟最低约 150 毫秒

官方在特性里写明支持文本输入流式与音频输出流式的双向流式，延迟最低可达 150 毫秒，同时维持音频质量。这个数字的意义在于实时对话场景——如果要把语音合成接进客服机器人或者语音助手，延迟是能不能用的分水岭。

版本与模型怎么选

项目目前有三代：CosyVoice 1.0、CosyVoice 2.0 与 Fun-CosyVoice 3.0，官方分别给出了论文与模型仓库入口。可下载的预训练模型不止一个：三百兆参数规模的 CosyVoice-300M，以及它的微调版 300M-SFT 和指令版 300M-Instruct，再往上还有 CosyVoice2-0.5B 与最新的 Fun-CosyVoice3-0.5B。

官方在文档里明确推荐用 Fun-CosyVoice3-0.5B，理由是效果更好。如果你的场景偏重指令控制，选带 Instruct 的版本；如果只是快速跑通流程，三百兆的版本体积更小、显存压力也更低。

装起来：Conda 一条环境加模型下载

官方给出的路径是先克隆仓库并拉取子模块，然后用 Conda 建一个 Python 3.10 的环境装依赖，最后按需下载预训练模型。模型可以从 ModelScope 或者 HuggingFace 拉取，国内用户走前者会顺一些。

有一个细节值得留意：文本归一化默认走 wetext，如果你另外解压并安装了 ttsfrd 资源包，会得到更好的数字与符号读法。官方也说明这一步不是必需的，可以跳过。

跑起来，以及需要更快的推理时

最简单的验证方式是跑官方示例脚本，或者起一个网页演示，指定模型目录和端口就能在浏览器里试听。如果对吞吐或延迟有更高要求，CosyVoice 2 与 3 支持用 vLLM 加速推理，但版本有讲究：官方说明支持 0.11 以上的新版引擎与 0.9.0 的旧版，低于 0.9.0 的版本无法推理，而两者之间的版本没有得到验证。

它适合谁

如果你的需求集中在中文，尤其是需要方言、需要可控的语气与发音修正，CosyVoice 的能力组合比通用英文 TTS 更对得上。加上代码开源、可本地部署，对数据不出内网有要求的场景也比较友好。

需要提前确认的仍是两件事。一是模型权重的许可条款——仓库里的代码是 Apache 2.0，但把生成结果用于商业用途前，建议再核对一遍模型本身的授权说明。二是声音克隆的合法性：用别人的声音、尤其是公众人物的声音制作内容，可能涉及人格权与声音权，权利来源要落到纸面上。

开源语音模型这两年进步很快，覆盖的语言和方言越来越全。技术层面的选择变多了，剩下的问题反而回到人身上：你想让机器用谁的声音、说什么话。