【狂飙全模态】CosyVoice3入门及实战（一键启动）
【狂飙全模态】CosyVoice3入门及实战（一键启动）
- 一、最新版本：Fun-CosyVoice 3.0
- 二、项目展示
- 三、核心特性
- 1 多语言与方言支持
- 2 高质量语音合成
- 3 高效流式推理
- 4 指令驱动（Instruct）
- 四、评估结果（CER / WER，越低越好）
- 五、快速开始
- 1 克隆仓库
- 2 快速使用
- 2.1 一键启动
- 2.2 创建环境，脚本启动
- （1）创建 Conda 环境
- （2）下载预训练模型
- （3）运行示例
- （4）Web 演示
- 六、高级用法
- 1 支持 vLLM 加速（仅限 CosyVoice2）
- 2 服务部署（Docker + FastAPI/gRPC）
- 3 TensorRT-LLM 加速（CosyVoice2）
开源仓库：https://github.com/leezhao415/MirrorVoice-CosyVoice3-App
CosyVoice是一个基于大语言模型（LLM）的高质量、零样本多语言文本转语音（TTS）系统，支持跨语言语音克隆、发音控制、流式推理和丰富指令调节。
一、最新版本：Fun-CosyVoice 3.0
- 官网演示：Fun-CosyVoice 3.0 Demo
- 论文：arXiv:2505.17589
- ModelScope 空间：Fun-CosyVoice3-0.5B
- 评估工具：CV3-Eval
- 官方博客：https://funaudiollm.github.io
👉Fun-CosyVoice 3.0 在内容一致性、说话人相似度和韵律自然度上全面超越 CosyVoice 2.0！
二、项目展示
三、核心特性
1 多语言与方言支持
- 9 种主流语言：中文、英文、日语、韩语、德语、西班牙语、法语、意大利语、俄语
- 18+ 中文方言/口音：广东话、闽南语、四川话、东北话、陕西话、山西话、上海话、天津话、山东话、宁夏、甘肃等
- 零样本跨语言语音克隆：无需目标语言语音数据即可合成
2 高质量语音合成
- 内容一致性 & 韵律自然度：SOTA 水平
- 发音 Inpainting：支持中文拼音与英文 CMU 音素级别的发音精细控制
- 智能文本归一化：自动处理数字、符号、缩写等，无需传统前端模块
3 高效流式推理
- 双流支持：文本输入流 + 音频输出流
- 低延迟：端到端延迟低至150ms（高质量音频）
4 指令驱动（Instruct）
支持通过自然语言指令控制：
- 语言 / 方言
- 情感（开心、严肃、温柔等）
- 语速、音量、