CosyVoice 2.0 是阿里通义实验室（FunAudioLLM）开源的下一代语音合成模型，基于大语言模型（LLM）与流式生成架构，以 0.5B 参数实现了高质量、高自然度的语音合成，是当前开源社区最流行的 TTS 模型之一。

核心特性

• 零样本语音克隆：仅需 3~10 秒参考音频即可复刻目标音色，无需额外训练
• 跨语种合成：支持中文、英文、日文、韩文、粤语等，可进行多语种/跨语种零样本克隆
• 指令控制：通过自然语言指令控制情感、语速、音量、发音风格等
• 流式低延迟：支持文本流 + 音频流双流式合成，首包延迟低，适合实时交互场景
• 发音准确：在内容一致性（WER/CER）与说话人相似度（SIM）上均达到开源 SOTA 水平

适用场景

有声书与播客配音、短视频内容创作、数字人语音、实时语音交互、语音游戏角色配音等。

更多信息可参考：https://funaudiollm.github.io/cosyvoice2/