前言说明
CosyVoice 是阿里开源项目https://github.com/QwenAudio/CosyVoice语音合成系列,支持系统音色、声音复刻(声音克隆)和声音设计(音色设计)。部分模型支持自然语言指令控制,全部模型支持 SSML 与 LaTeX 公式朗读。本教程按「模型能力 → 声音复刻/音色设计 → 方言 → 指令 → 本站操作 → 案例」的顺序说明,看完即可直接在本站使用。
本站工具入口:CosyVoice 语音合成。
一、五个模型与能力对照
| 模型 | 声音复刻 | 音色设计 | 指令控制 | 方言 | SSML / LaTeX |
|---|---|---|---|---|---|
cosyvoice-v3.5-plus |
支持 | 支持 | 复刻/设计音色可输入任意指令(该模型无系统音色) | 复刻音色 16 种 | 支持 |
cosyvoice-v3.5-flash |
支持 | 支持 | 复刻/设计音色可输入任意指令(该模型无系统音色) | 复刻音色 16 种 | 支持 |
cosyvoice-v3-plus |
支持 | 支持 | 复刻/设计音色不支持;系统音色仅支持固定格式(本站暂未开放) | 复刻音色 16 种;系统音色无方言 | 支持 |
cosyvoice-v3-flash |
支持 | 支持 | 复刻/设计音色可输入任意指令;系统音色仅支持固定格式(情感、方言) | 复刻音色 16 种;系统音色 9 种 | 支持 |
cosyvoice-v2 |
支持 | 不支持 | 不支持 | 系统音色 4 种;复刻音色无方言 | 支持 |
二、声音复刻与音色设计:哪些模型支持
1. 声音复刻(声音克隆)
五个模型全部支持:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2。提供一段清晰的目标说话人音频即可创建,无需训练。
2. 音色设计
支持四个模型:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash;cosyvoice-v2 不支持音色设计。
设计音色仅支持中文(普通话)和英文,不支持方言。音色描述最多 500 字符(中/英文),预览文本 15~200 字符。
3. 配额与有效期
- 每个百炼账号的自定义音色总量上限为 1000 个,复刻与设计共用配额。
- 克隆和设计的音色,30 天未使用会被系统自动清理。
- 音色创建后需审核,仅「审核通过」的音色可用于合成。
三、语言与方言支持
1. 复刻音色的方言(16 种)
cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash 的复刻音色均支持:
广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话。
外语方面:v3.5 系列与 v3-flash 另支持英、法、德、日、韩、俄、葡、泰、印尼、越;v3-plus 仅支持英、法、德、日、韩、俄;v2 复刻音色仅支持中文(普通话)和英文。
2. 系统音色的方言
| 模型 | 系统音色支持情况 |
|---|---|
cosyvoice-v3.5-plus / cosyvoice-v3.5-flash |
无系统音色,只能使用复刻/设计音色 |
cosyvoice-v3-flash |
9 种方言:广东话、东北话、河南话、湖南话、陕西话、山东话、四川话、安徽话、闽南话(部分方言由音色自带,部分通过指令切换) |
cosyvoice-v3-plus |
仅中文(普通话)、英文,无方言 |
cosyvoice-v2 |
4 种方言:粤语、东北话、闽南话、陕西话 |
方言的两种用法:
- 音色自带:选择对应方言音色(如 v3-flash 的部分方言音色),直接输入该方言文本即可,无需写指令。
- 指令切换:在指令框写固定格式「请用X话表达。」,例如「请用四川话表达。」。
本站选中音色后,指令控制区域会自动出现「方言」下拉(仅当该音色可切换方言时显示),选择后自动写入指令,无需手动输入。
四、指令控制
指令控制用自然语言描述情感、语速、角色和方言。本站指令框限制 100 字符(汉字按 2 个字符计算,其他按 1 个)。不同模型的支持方式不同:
1. cosyvoice-v3.5-plus / v3.5-flash
这两个模型没有系统音色,复刻音色和设计音色均可输入任意指令。
- 请用非常激昂且高亢的语气说话,表现出获得重大成功后的狂喜与激动。
- 语速请保持中等偏慢,语气要显得优雅、知性,给人以从容不迫的安心感。
- 语气要充满哀伤与怀念,带有轻微的鼻音,仿佛正在诉说一段令人心碎的往事。
- 请尝试用气声说话,音量极轻,营造出一种在耳边亲密低语的神秘感。
- 语气要像专业的新闻播音员一样,冷静、客观且字正腔圆,情绪保持中立。
2. cosyvoice-v3-flash
复刻/设计音色:可输入任意自然语言指令,示例同上。
系统音色:必须使用固定格式,本站支持以下两种:
- 情感:
你说话的情感是<情感值>。,例如你说话的情感是happy。。支持的情感值:neutral、fearful、angry、sad、surprised、happy、disgusted。 - 方言:
请用<方言>表达。,例如请用山东话表达。。
官方还提供「场景 + 情感」「角色 + 情感」「身份 + 情感」等固定模板(如 你正在进行新闻播报,你说话的情感是neutral。),本站暂未提供这些入口;如需使用,建议切换到 v3.5 系列并用复刻/设计音色自由书写。
3. cosyvoice-v3-plus
复刻音色和设计音色不支持指令控制;系统音色只支持固定格式指令,本站暂未开放。需要指令控制请改用 cosyvoice-v3.5-plus、cosyvoice-v3.5-flash 或 cosyvoice-v3-flash。
4. cosyvoice-v2
不支持指令控制,也不支持音色设计。
五、情感表达与标签
CosyVoice 没有「情感与富语言标签」功能,标签能力仅 Qwen-Audio-TTS 系列支持。CosyVoice 的情感通过两种方式实现:
- 系统音色(v3-flash):使用固定格式
你说话的情感是happy。,本站提供「情感」下拉,选择后自动生成。 - 复刻/设计音色(v3.5、v3-flash):用自然语言指令自由描述,例如「语气要显得活泼俏皮,带着明显的笑意」。
如果需要「笑声、叹息、清嗓」等拟声效果,请使用 Qwen-Audio-TTS 的富语言标签。
六、SSML 与 LaTeX
五个模型都支持 SSML 与 LaTeX。需要精细控制停顿、发音、数字读法时,开启本站的 SSML 开关,用 <speak>...</speak> 包裹文本;数学公式可直接写成 LaTeX,例如 $x = \frac{-b \pm \sqrt{b^2-4ac}}{2a}$,模型会按中文阅读习惯朗读。
注意:SSML 仅对复刻音色以及音色列表中标注「SSML:支持」的系统音色有效,选择音色前请先在音色列表中确认。
七、在本站怎么操作
1. 语音合成
- 打开 CosyVoice 语音合成,选择「语音合成」标签页。
- 在文本框输入要合成的文字(本站上限 20000 字符,汉字按 2 个字符计)。
- 点击「音色选择」,选择系统音色或个人音色。选音色后模型会自动切换,请不要再手动改模型。
- 按需设置:目标语言、指令控制、语速、音量、语调。
- 系统音色(v3-flash)的指令区域为「情感 / 方言」二选一;复刻/设计音色为自由文本框,需要方言时可从下拉中选择。
- 需要精细发音控制时,打开 SSML 开关并编辑 SSML 文本。
- 点击「开始合成」,在「合成结果」页试听或下载。
2. 声音克隆(复刻音色)
- 切换到「声音克隆」标签页。
- 填写音色名称(最多 20 个字符),上传清晰的参考音频。
- 填写音频对应文本(可选,可提升复刻效果),选择语言提示。
- 点击「开始克隆」,等待审核;仅「审核通过」的音色可用于合成。
- 合成时选择该音色;音色绑定创建时的目标模型,不能跨模型使用。
3. 音色设计
- 切换到「音色设计」标签页(v2 不支持)。
- 填写音色名称,选择目标模型(v3.5-plus、v3.5-flash、v3-plus、v3-flash)。
- 填写声音描述(最多 500 字符),例如「温柔知性的女性,30 岁左右,语调平和,适合有声书朗读」。
- 填写试听文本(15~200 字符),选择语言(中文/英文)、采样率和音频格式。
- 点击「创建声音设计」,试听预览音频;满意后即可在合成时选用。
八、可直接套用的使用案例
案例 1:有声书旁白(v3.5-plus + 设计音色)
- 模型:
cosyvoice-v3.5-plus;音色:用「温柔知性的女性,30 岁左右,语调平和」设计并绑定该模型。 - 指令:语速稍慢,语气温柔,句尾自然收住。
- 说明:v3.5 系列没有系统音色,必须先复刻或设计一个音色。
案例 2:四川话短视频(v3-flash + 方言)
- 模型:
cosyvoice-v3-flash;音色:可切换方言的系统音色(如龙安欢_v3),或复刻音色。 - 指令:
请用四川话表达。(也可直接在方言下拉中选择「四川话」) - 文本:使用四川方言的用词和语序,效果更自然。
案例 3:新闻播报(v3-flash 系统音色 + 固定情感)
- 模型:
cosyvoice-v3-flash;音色:龙安洋等支持 Instruct 的系统音色。 - 情感:在下拉中选择
neutral,系统自动写成你说话的情感是neutral。 - 语速:1.0;音量:50;语调:1.0。
案例 4:品牌客服音色(v3.5-flash + 复刻 + 自由指令)
- 模型:
cosyvoice-v3.5-flash;音色:品牌代言人复刻音色。 - 指令:请用亲和、耐心的语气说话,语速中等偏慢,重点词稍作停顿。
- 说明:v3.5 系列复刻/设计音色支持任意指令,适合做细粒度风格控制。
九、常见问题
Q1:为什么 v3.5 系列没有系统音色?
v3.5-plus / v3.5-flash 只面向声音复刻和声音设计场景,不提供系统音色。使用前需要先创建自己的音色。
Q2:为什么 v3-plus 没有指令输入框?
v3-plus 的复刻/设计音色不支持指令控制,系统音色只支持固定格式且本站暂未开放,因此本站不显示指令框。需要指令控制请切换到 v3.5 或 v3-flash。
Q3:为什么方言下拉有时不显示?
方言下拉只在「该音色可经指令切换方言」时出现:系统音色要看是否支持多方言;复刻音色按模型显示;设计音色不支持方言,因此不显示。
Q4:为什么音色不能跨模型使用?
音色创建时通过 target_model 绑定模型,跨模型合成会失败。本站选中音色后会自动切换模型,请不要手动修改。
Q5:CosyVoice 支持情感标签吗?
不支持情感与富语言标签(如 [laughing])。CosyVoice 用指令控制情感;标签能力请使用 Qwen-Audio-TTS。
Q6:音频能保存多久?
合成结果的音频链接有效期为 24 小时,过期后重新合成即可。
十、相关文档
- CosyVoice 语音合成工具
- CosyVoice|Qwen3-TTS|MiniMax 语音合成模型选择指南
- CosyVoice 与 Qwen-Audio-TTS 系列模型方言支持情况对比
- CosyVoice 指令与方言使用教程
- 声音设计描述编写教程


评论(0)