❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

1. 功能：支持超低延迟的流式语音合成，首包合成延迟仅150ms。
2. 性能：发音准确性显著提升，音色一致性和韵律自然度大幅改善。
3. 技术：采用全尺度量化和离线流式一体化建模，支持多语言和指令可控的音频生成。

正文（附运行示例）

CosyVoice 2.0 是什么

CosyVoice 2.0 是阿里巴巴通义实验室推出的语音生成大模型升级版，旨在通过有限标量量化技术和块感知因果流匹配模型，提升语音合成的质量。该模型简化了文本-语音语言模型架构，支持多样的合成场景，并在发音准确性、音色一致性、韵律和音质上都有显著提升。

相比前版本，CosyVoice 2.0 的MOS评测分从5.4提升到5.53，支持流式推理，大幅降低首包合成延迟至150ms，适合实时语音合成场景。此外，它还支持多语言和跨语言语音合成，能够满足不同应用场景的需求。

CosyVoice 2.0 的主要功能

• 超低延迟的流式语音合成：支持双向流式语音合成，首包合成延迟可达150ms，适合实时应用场景。
• 高准确度的发音：相比前版本，发音错误率显著下降，尤其在处理绕口令、多音字、生僻字上表现突出。
• 音色一致性：在零样本和跨语言语音合成中保持音色高度一致性，提升合成自然度。
• 自然体验：合成音频的韵律、音质、情感匹配得到提升，MOS评测分提高，接近商业化语音合成大模型。
• 多语言支持：在大规模多语言数据集上训练，实现跨语言的语音合成能力。

CosyVoice 2.0 的技术原理

• LLM backbone：基于预训练的文本基座大模型（如Qwen2.5-0.5B），替换原有的Text Encoder + random Transformer结构，进行文本的语义建模。
• FSQ Speech Tokenizer：用全尺度量化（FSQ）替换向量量化（VQ），训练更大的码本（6561），实现100%激活，提升发音准确性。
• 离线和流式一体化建模方案：提出一体化建模方案，让LLM和FM均支持流式推理，实现快速合成首包音频。
• 指令可控的音频生成能力升级：优化基模型和指令模型的整合，支持情感、说话风格和细粒度控制指令，新增中文指令处理能力。
• 多模态大模型技术：基于多模态大模型技术，实现语音识别、语音合成、自然语言理解等AI技术，提供“能听、会说、懂你”式的智能人机交互体验。

如何运行 CosyVoice 2.0

环境配置

1. 克隆仓库并安装依赖：

   git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
   cd CosyVoice
   git submodule update --init --recursive
   
           
   
             
           
           
           
   
             
   
             AI 代码解读
           
         
         

2. 创建 Conda 环境并安装依赖：

   conda create -n cosyvoice python=3.10
   conda activate cosyvoice
   conda install -y -c conda-forge pynini==2.1.5
   pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
   
           
   
             
           
           
           
   
             
   
             AI 代码解读
           
         
         

模型下载

from modelscope import snapshot_download
snapshot_download('iic/CosyVoice2-0.5B', local_dir='pretrained_models/CosyVoice2-0.5B')
snapshot_download('iic/CosyVoice-300M', local_dir='pretrained_models/CosyVoice-300M')

        

          
        
        
        

          

          AI 代码解读
        
      
      

基本使用

from cosyvoice.cli.cosyvoice import CosyVoice2
cosyvoice = CosyVoice2('pretrained_models/CosyVoice2-0.5B', load_jit=True, load_onnx=False, load_trt=False)

# 零样本推理
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k, stream=False)):
    torchaudio.save('zero_shot_{}.wav'.format(i), j['tts_speech'], cosyvoice.sample_rate)

        

          
        
        
        

          

          AI 代码解读
        
      
      

资源

• 项目官网：https://funaudiollm.github.io/cosyvoice2/
• GitHub 仓库：https://github.com/FunAudioLLM/CosyVoice
• 技术论文：https://funaudiollm.github.io/pdf/CosyVoice_2.pdf

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦