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。

CosyVoice插图

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

  1. 打开 CosyVoice 语音合成,选择「语音合成」标签页。
  2. 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)。
  3. 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。
  4. 按需设置:目标语言、指令控制、语速、音量、语调。
  5. 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。
  6. 需要精细发音控制时,打开 SSML 开关并编辑 SSML 文本。
  7. 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)

  1. 切换到「声音克隆」标签页。
  2. 填写音色名称(最多 20 个字符),上传清晰的参考音频。
  3. 填写音频对应文本(可选,可提升复刻效果),选择语言提示。
  4. 点击「开始克隆」,等待审核;仅「审核通过」的音色可用于合成。
  5. 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

  1. 切换到「音色设计」标签页(v2 不支持)。
  2. 填写音色名称,选择目标模型(v3.5-plus、v3.5-flash、v3-plus、v3-flash)。
  3. 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」。
  4. 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。
  5. 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

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。