CosyVoice3一键包，超越index-tts2， 3秒完美复刻声音！

日前，阿里通义正式开源发布两款模型，分别为语音合成模型与语音识别模型

两款模型均具备较强的可操作性与应用价值。其中，语音合成模型 CosyVoice 较早前已由我方进行过介绍，该模型性能优异，我方亦曾制作过对应的一键部署工具包。

接下来，有请马总亲自为各位介绍本模型：

然后来听一段悄悄话：

显而易见，CosyVoice3 相较其前代版本具有显著提升。关于具体的提升维度及细节，敬请参阅下文说明。

Fun-CosyVoice3 大模型完成多项关键升级：

• 首包延迟降低 50%，支持双向流式合成，可实现 “输入即发声” 的实时响应，适用于语音助手、直播配音、无障碍阅读等各类实时场景；
• 中英混说词错误率（WER）较此前版本降低 56.4%，无论是包含专业术语、大小写混排的内容，抑或是语码转换的语句，均能达成精准且自然的发音效果；
• 在 zero-shot TTS 评测中，内容一致性与音色相似度全面提升，复杂场景（test-hard）字符错误率（CER）相对降低 26%，已接近人类录音水准；
• 支持 9 种通用语言、18 种中文方言及 9 种情感控制，并具备跨语种音色复刻能力：仅需一段普通话录音，即可生成粤语、日语、英语等多语种语音，且音色保持高度一致性。

请注意，本部分内容系基于此前 3.0 版本进行的升级迭代；而 3.0 版本本身亦在 2.0 版本基础上完成了多项优化升级。

关于 CosyVoice3 的介绍内容至此暂告一段落，接下来将为您说明一键运行包的使用方法。

该一键运行包的使用流程整体简洁高效：模型、软件及相关依赖已全部整合封装于包内；若您的硬件配置满足要求，即可轻松完成运行操作。

具体操作步骤如下：第一步，下载软件包。

然后在本地解压，解压之后点击 启动.bat。

启动之后会自动调用浏览器，并打开主界面。

3 秒极速克隆

系统主界面包含两种推理模式选项，现首先演示名为 “3 秒极速克隆” 的模式。。

按下图操作即可：

输入需合成的内容

选择「3 秒极速复刻」功能

上传参考声音文件（或直接录制本人声音）

点击「生成音频」按钮

请稍作等待，基于参考声音合成的音频将很快生成。音频生成完成后将自动播放，点击页面右下角即可完成下载操作。

自然语言控制

自然语言控制，即指令控制，可通过指令对声音克隆的效果进行调控。

本软件已预先设置各类指令文本，用户只需点击下拉菜单选择对应内容即可。

支持使用方言，支持采用不同语气，亦可调整语速。其余操作流程与前述 3 秒克隆功能保持一致。完成输入及选项设置后，点击 “生成音频” 按钮即可执行操作。

经测试验证，声音克隆效果表现优异，但指令控制能力相对薄弱，可能对相似度产生影响。推测闭源的 1.5B 模型或可改善此问题。

以上说明应易于理解，若仍存在理解困难，则暂无其他解决方案。