CosyVoice-300M 是阿里通义实验室（FunAudioLLM）开源的语音合成模型，基于大语言模型与有监督语义 Token 技术，以 300M 轻量参数实现高质量、高自然度的语音合成，适合对性能要求不高、追求部署简单的场景。

核心特性

• 零样本语音克隆：参考音频即可复刻音色，无需微调即可实现个性化合成
• 语音合成 + 语音克隆：一个模型同时支持普通文本合成与音色克隆转换
• 跨语种合成：支持中文、英文、日文、韩文等，可进行跨语种语音转换
• SFT 扩展支持：官方支持基于少量语料微调（SFT），可进一步逼近目标音色
• 轻量易部署：300M 参数，对显存要求低，普通 GPU 即可流畅运行

适用场景

语音助手、有声内容、短视频配音、智能播报、教育与培训语音等常规 TTS 场景。

更多信息可参考：https://github.com/FunAudioLLM/CosyVoice