CosyVoice：音频生成器 — 功能与运行要求

CosyVoice（通义 CosyVoice）是阿里巴巴推出的开源语音生成器。它解决的是 text-to-speech 任务：将文本转化为可听的语音。据作者描述，这是一个多语言语音生成模型，支持推理、训练和部署。

功能

据作者描述，CosyVoice（通义 CosyVoice）是一个多语言语音生成模型。仓库标签中列出的语言包括：中文、粤语、英语、日语、韩语。同时宣称支持跨语言生成和声音克隆。

作者指出，该模型提供完整的技术栈：推理、训练和部署。仓库标签中提到了微调和进一步训练。

运行要求

代码使用 Python 编写。仓库已开源，代码许可证为 Apache-2.0。模型权重同样以 Apache-2.0 许可证发布。

权重文件总大小为 0.9 GB，最大的权重文件为 0.9 GB。作者未说明对 GPU、内存或特定操作系统的要求。

仓库创建于 2024 年 7 月 3 日，代码最后更新于 2026 年 5 月 25 日。

适合谁

CosyVoice（通义 CosyVoice）适合那些寻找支持多语言和声音克隆的开源 text-to-speech 模型的用户。代码和权重的 Apache-2.0 许可证允许在自有项目中使用该模型。

该模型不适合需要带有支持和保障的现成商业平台的用户：这里的一切都需要自行部署。此外，作者未提供系统要求，因此在运行前应确认自己的硬件是否足够。

CosyVoice（通义 CosyVoice）是一个自 2024 年起持续发展的开源语音合成工具。它提供多语言生成和声音克隆能力，但需要自行配置和运行。