CosyVoice 3 是阿里通义实验室（FunAudioLLM）于 2025 年推出的第三代语音合成大模型，在内容一致性、说话人相似度与韵律自然度上全面超越前代，是当前开源 TTS 的标杆之作。

核心特性

• 3 秒零样本声音克隆：仅需 3 秒参考音频即可高度还原真人音色，逼真到难辨真伪
• 多语言 + 多方言：支持中文、英文、日文、韩文、德文、西文、法文、意文、俄文 9 种常见语言，以及四川话、粤语、闽南语等 18+ 中文方言
• 跨语种生成：支持跨语种/多语种零样本语音克隆，同一音色可说多国语言
• 情感与韵律自然：语音自然度、情感韵律接近真人，听感自然流畅
• 发音修复（Inpainting）：支持拼音与 CMU 音素级发音修复，可精确控制字词发音
• 智能文本规范化：无需传统前端即可正确朗读数字、特殊符号与多种文本格式
• 双流式低延迟：文本流 + 音频流同时生成，首包延迟低至 150ms
• 指令控制：支持语言、方言、情感、语速、音量等多种自然语言指令

适用场景

有声书与小说配音、数字人直播、影视解说、多语言内容出海、实时语音交互等。

更多信息可参考：https://funaudiollm.github.io/cosyvoice3/