CosyVoice 2.0-0.5B（优化版） 是阿里通义实验室（FunAudioLLM）开源的流式语音合成模型，基于大语言模型架构，在保留零样本克隆、指令控制等核心能力的同时，针对 长文本合成稳定性 做了深度优化。

核心特性

• 长文本优化：优化超长文本合成时的稳定性与韵律连贯性，减少重复、吞字等问题
• 零样本语音克隆：3~10 秒参考音频即可复刻音色，支持多语种与跨语种克隆
• 指令控制：可用自然语言指令调节情感、语速、音量等声学属性
• 流式低延迟：双流式架构，支持实时交互场景下的低延迟合成
• 高质量输出：内容一致性（WER/CER）与说话人相似度（SIM）均达开源 SOTA 水平

适用场景

长篇文章/小说朗读、有声书制作、课程配音、数字人直播语音、影视解说等长文本生成场景。

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