CosyVoice-300M-Instruct（优化版） 是阿里通义实验室（FunAudioLLM）开源的轻量级指令控制语音合成模型，在 300M 参数基础上对 长文本合成稳定性 进行了专项优化，兼顾性能与效果。

核心特性

• 长文本优化：针对长句、长段落合成进行了稳定性优化，韵律更连贯自然
• 指令控制：通过自然语言指令（如"语速慢一些、声音低沉"）灵活控制合成效果
• 零样本语音克隆：参考音频即可复刻音色，支持跨语种语音合成
• 轻量高效：300M 参数，GPU 8G 即可运行，部署门槛低

适用场景

智能语音助手、短视频配音、有声内容生产、客服机器人语音、本地化部署的 TTS 服务等。

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