CosyVoice 3 是阿里巴巴团队推出的一款新一代语音合成模型，它能在没有额外训练的情况下，用多种语言和方言生成自然、富有情感的语音，声音效果接近真人。它的特点是多语言支持、情感表达、方言覆盖和高质量的声音一致性，应用领域包括智能助手、教育、娱乐、无障碍沟通等。
CosyVoice 3 只需3秒录音，就能让你的声音无缝切换语种、方言与情绪——中、粤、日、英、开心、愤怒......9 种通用语言、18种方言，通通搞定！
下载地址：点此下载
主要特点
多语言与方言支持：覆盖 9 种语言和 18 种中文方言，能在不同场景下生成自然语音
情感表达能力：不仅能读文本，还能带有“开心、悲伤、愤怒、惊讶”等情绪，让声音更像真人
中英混搭：不论是含专业术语、大小写混排，还是语码转换的句子，都能精准、自然地发音
零样本生成：无需额外训练，就能根据提示生成目标语言或方言的语音，适合快速应用
声音一致性与自然度：改进了语音的节奏和韵律，听起来更流畅、更接近真实说话
应用领域
智能助手：让语音助手更自然，能用不同语言和情绪与用户交流。
教育与语言学习：支持多语言和方言，帮助学习者练习发音和听力。
娱乐与内容创作：可用于有声书、播客、游戏角色配音，提升沉浸感。
无障碍沟通：为视障人士或阅读困难者提供自然的语音输出。
跨语言交流：在国际会议或跨国企业中，帮助快速生成不同语言的语音内容。
使用教程：（建议N卡，显存4G起，支持50系显卡）
下载主程序压缩包和模型（pretrained_models文件夹），解压主程序，并将模型（pretrained_models）移动到主程序目录下，详情参考下方软件目录结构
支持3s极速复刻和自然语言控制两种模式
3s极速复刻：上传一段参考音频（3-10s为佳），系统会自动识别参考文本（如有错误，可手动修改），输入合成文字内容，生成即可。
自然语言控制：上传参考音频，输入需要合成的文字内容，支持喜怒哀乐等多种情感控制，支持十几种中文地方方言，“选择指令文本”可快捷下拉选择，最后生成。
包含两种启动模式：常规启动和加速启动。常规启动适用10-50系显卡；加速启动模式适用30-50系显卡，默认开启fp16和tensorrt加速，推理速度更快。如加速启动报错，可退回常规启动。
软件目录结构：
📂 pretrained_models/
├── 📂 CosyVoice3-0.5B/
│ └── flow.pt
│ └── llm.pt
├── 📂 SenseVoiceSmall/
│ └── model.pt
📂 cosyvoice/
📂 deepface/
......
