基本介紹
- 外文名：CosyVoice 2
- 最近更新時間：2025年5月23日
核心功能,常見問題,
核心功能
超低延遲流式合成：首包合成延遲僅150ms
零樣本語音克隆：3秒樣本克隆目標音色
多語言跨語言支持：支持10+語言混合生成
指令可控情感調節：自然語言指令控制韻律
高精度發音最佳化：發音錯誤率降低30%-50%。
常見問題
部署CosyVoice 2時遇到連線埠衝突或服務啟動失敗怎么辦？
若出現連線埠衝突（如6006連線埠不可用），建議修改WebUI配置中的連線埠號（例如改為8188）。若服務啟動失敗，需檢查Python環境、依賴庫（如Pynini）是否完整安裝，並確保已下載對應模型檔案。Linux系統還需安裝ffmpeg處理非WAV音頻。
音色復刻時上傳錄音失敗或效果不佳如何解決？
上傳失敗通常因缺少ffmpeg工具導致，需在Linux系統通過源碼安裝ffmpeg。復刻效果不佳時，建議提供至少30秒高質量錄音樣本（背景噪音低），並檢查是否啟用跨語種復刻功能（需2.0版本支持）。
如何實現實時語音互動的低延遲合成？
CosyVoice 2.0支持流式推理，需在啟動服務時啟用雙向流模式（參數配置為stream=True），首包延遲可降至150ms。確保網路穩定並選擇輕量級推理模式以最佳化實時性能。
多語言合成中出現發音錯誤如何處理？
2.0版本已顯著降低發音錯誤率，若仍存在問題，建議：1) 檢查文本歸一化設定；2) 更新至最新模型版本；3) 對生僻字手動添加拼音標註；4) 中文多音字可通過指令（如<prosody>標籤）強制指定發音。
生成的語音存在機械感或情感不自然如何最佳化？
可通過自然語言指令調整參數，例如添加[laughter]標記插入笑聲，或使用<emotion>happy</emotion>指定情感。高級用戶可微調韻律參數（音高、語速），或結合Qwen2.5基座模型生成更自然的語調。
