多數開源語音合成模型賣的是同一件事：像不像人。CosyVoice 走的是另一條路，把重心壓在覆蓋面上——九種語言、十八種以上中文方言與口音，再加上跨語言的零樣本聲音複製。倉庫簡介寫得很直接：一個多語言大語音生成模型，提供推論、訓練與部署的全端能力。

程式碼以 Apache 2.0 授權開源，目前這一代是 Fun-CosyVoice 3.0。官方說明它是架在大語言模型上的語音合成系統，在內容一致性、說話者相似度與韻律自然度三項上都比前一代 CosyVoice 2.0 更強。

先看覆蓋範圍：九種語言加十八種中文方言

官方列出的九種語言是中文、英語、日語、韓語、德語、西班牙語、法語、義大利語與俄語。對中文使用者來說，更該看的是方言那一欄：十八種以上中文方言與口音，官方舉的例子裡能看到廣東、閩南、四川、東北、陝西、山西、上海、天津、山東、寧夏與甘肅。

方言支援的難處不在「能不能唸」，而在語料稀少、發音規律和國語差得遠。把這一塊單獨列進核心特性，說明這個專案在中文語境下的投入是有意為之，而不是順手帶上的。

零樣本複製，以及用指令調語氣

聲音複製方面，官方把「多語言」與「跨語言」的零樣本複製寫在同一句說明裡——意思是用一種語言錄的樣本，可以去合成另一種語言的語音，不必為每個語種重新準備資料。

另一個實用的功能是指令控制：語言、方言、情感、語速、音量都能用指令指定。對做有聲內容的人來說，這比反覆重新生成碰運氣要可控得多。官方還單獨列出發音修正能力，支援中文拼音與英文 CMU 音素的干預，遇到多音字或外文專有名詞可以手工糾正。

串流推論：延遲最低約 150 毫秒

官方在特性裡寫明支援文字輸入串流與音訊輸出串流的雙向串流，延遲最低可達 150 毫秒，同時維持音訊品質。這個數字的意義在即時對話——若要把語音合成接進客服機器人或語音助理，延遲就是能不能用的分水嶺。

版本與模型怎麼選

專案目前有三代：CosyVoice 1.0、CosyVoice 2.0 與 Fun-CosyVoice 3.0，官方分別給了論文與模型倉庫的入口。可下載的預訓練模型不只一個：三百兆參數規模的 CosyVoice-300M，以及它的微調版 300M-SFT 與指令版 300M-Instruct，再往上還有 CosyVoice2-0.5B 與最新的 Fun-CosyVoice3-0.5B。

官方文件裡明確推薦用 Fun-CosyVoice3-0.5B，理由是效果更好。如果你的場景偏重指令控制，選帶 Instruct 的版本；如果只是快速跑通流程，三百兆那個版本體積更小、顯示記憶體壓力也更低。

裝起來：一個 Conda 環境加模型下載

官方給的路徑是先複製倉庫並拉取子模組，接著用 Conda 建一個 Python 3.10 的環境裝依賴，最後按需下載預訓練模型。模型可以從 ModelScope 或 HuggingFace 拉取，國內使用者走前者會順一些。

有個細節值得留意：文字正規化預設走 wetext，如果你另外解壓並安裝了 ttsfrd 資源包，數字與符號的讀法會更好。官方也說明這一步不是必要的，可以跳過。

跑起來，以及需要更快推論時

最簡單的驗證方式是跑官方範例腳本，或者起一個網頁示範，指定模型目錄與連接埠就能在瀏覽器裡試聽。如果對吞吐量或延遲有更高要求，CosyVoice 2 與 3 支援用 vLLM 加速推論，但版本有講究：官方說明支援 0.11 以上的新版引擎與 0.9.0 的舊版，低於 0.9.0 的版本無法推論，而兩者之間的版本沒有經過驗證。

適合誰

如果你的需求集中在中文，尤其是需要方言、需要可控的語氣與發音修正，CosyVoice 的能力組合比通用英文 TTS 更對得上。加上程式碼開源、可本機部署，對資料不出內網有要求的場景也比較友善。

需要提前確認的仍是兩件事。一是模型權重的授權條款——倉庫裡的程式碼是 Apache 2.0，但把生成結果用於商業用途之前，建議再核對一遍模型本身的授權說明。二是聲音複製的合法性：用別人的聲音、尤其是公眾人物的聲音製作內容，可能涉及人格權與聲音權，權利來源要落到紙面上。

開源語音模型這兩年進步很快，覆蓋的語言與方言越來越全。技術層面的選擇變多了，剩下的問題反而回到人身上：你想讓機器用誰的聲音、說什麼話。