7K Star 开箱即用!阿里多语言语音生成模型2.0上线还支持了方言。
近年来，人工智能技术在各个领域都取得了令人瞩目的成果，其中，AI语音合成技术更是备受关注。
生活中也处处得见，像配音、解说、音乐等领域都有它的身影。
阿里早在7月就开源过一个语音大模型项目：FunAudioLLM，而它一次性包含了两个模型：SenseVoice（语音识别） 和 CosyVoice（语音生成）。
而今天我想要介绍的是专注于语音生成的 CosyVoice。
因为它刚刚升级到了2.0版本，较1.0版本效果显著。
在介绍2.0版本亮点之前，我们先来看看 CosyVoice 的基本特性。
项目简介
CosyVoice 是阿里开源的一款创新的多语言、情感丰富的语音生成大模型，旨在通过先进的 AI 技术生成自然且富有情感的语音。
无论是在语音生成的质量，还是在细节控制的精准度上，CosyVoice 都表现卓越，能够应对零样本语音生成、跨语言声音合成以及指令执行等多种任务。
仅需要3~10s的原始音频，CosyVoice即可生成模拟音色，甚至包括韵律、情感等细节，包括跨语种语音生成。
可以生成与特定特征匹配的语音，比如性别、年龄和个性等。还可以模仿非常自然的人类语音，包括笑声、咳嗽和呼吸。
核心特点
- 多语言支持：支持包括 中文、英文、日语、粤语和韩语 在内的 5种主要语言。
- 零样本语音克隆：只需 3~10秒的音频样本，即可准确模拟目标声音。
- 精细化情感和风格控制：允许用户通过 文本指令 来精确控制生成语音的情感、语速、音高、音色等多维度的特征。
- 跨语种语音生成：支持 跨语种语音生成，能够从一种语言的音频样本生成另一种语言的语音。
- 语音生成与指令执行集成：CosyVoice 可以与开源大模型结合，支持 实时语音交互 和 语音翻译。
CosyVoice V2.0升级亮点
2.0 版本，带来了更加精准、自然且富有情感的语音生成体验！
- 发音准确度大幅提升：发音错误减少 30%-50%，让语音生成更加清晰、准确。
- 音质提升：音质 MOS（Mean Opinion Score）评分从 5.4 提升至 5.53。
- 超低延迟：150ms 超低首包延迟，确保语音生成过程更加流畅，适合实时语音交互和在线语音翻译。
- 方言和口音调整：支持更细致的方言和口音调整，使生成的语音更加贴合目标地区的发音习惯。
- 更细粒度的情感控制：如愉悦、悲伤、激动等，可生成更具表现力的语音。
快速使用
CosyVoice的安装和使用同大多数开源项目无差。
最简单的当然是官方Demo直接用了
其次是用户根据官方文档进行操作，在本地或服务器上部署项目，下载模型。
具体步骤如下：
①克隆项目
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
# If you failed to clone submodule due to network failures, please run following command until success
cd CosyVoice
git submodule update --init --recursive②创建虚拟环境，安装依赖
conda create -n cosyvoice python=3.10
conda activate cosyvoice
# pynini is required by WeTextProcessing, use conda to install it as it can be executed on all platform.
conda install -y -c conda-forge pynini==2.1.5
pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
# If you encounter sox compatibility issues
# ubuntu
sudo apt-get install sox libsox-dev
# centos
sudo yum install sox sox-devel③模型下载
# SDK模型下载
from modelscope import snapshot_download
snapshot_download('iic/CosyVoice2-0.5B', local_dir='pretrained_models/CosyVoice2-0.5B')
snapshot_download('iic/CosyVoice-300M', local_dir='pretrained_models/CosyVoice-300M')
snapshot_download('iic/CosyVoice-300M-25Hz', local_dir='pretrained_models/CosyVoice-300M-25Hz')
snapshot_download('iic/CosyVoice-300M-SFT', local_dir='pretrained_models/CosyVoice-300M-SFT')
snapshot_download('iic/CosyVoice-300M-Instruct', local_dir='pretrained_models/CosyVoice-300M-Instruct')
snapshot_download('iic/CosyVoice-ttsfrd', local_dir='pretrained_models/CosyVoice-ttsfrd')④配置环境变量
export PYTHONPATH=third_party/Matcha-TTS⑤调用示例
from cosyvoice.cli.cosyvoice import CosyVoice, CosyVoice2
from cosyvoice.utils.file_utils import load_wav
import torchaudio
cosyvoice = CosyVoice2('pretrained_models/CosyVoice2-0.5B', load_jit=True, load_onnx=False, load_trt=False)
# NOTE if you want to reproduce the results on https://funaudiollm.github.io/cosyvoice2, please add text_frontend=False during inference
# zero_shot usage
prompt_speech_16k = load_wav('zero_shot_prompt.wav', 16000)
for i, j in enumerate(cosyvoice.inference_zero_shot('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '希望你以后能够做的比我还好呦。', prompt_speech_16k, stream=False)):
torchaudio.save('zero_shot_{}.wav'.format(i), j['tts_speech'], cosyvoice.sample_rate)
# fine grained control, for supported control, check cosyvoice/tokenizer/tokenizer.py#L248
for i, j in enumerate(cosyvoice.inference_cross_lingual('在他讲述那个荒诞故事的过程中，他突然[laughter]停下来，因为他自己也被逗笑了[laughter]。', prompt_speech_16k, stream=False)):
torchaudio.save('fine_grained_control_{}.wav'.format(i), j['tts_speech'], cosyvoice.sample_rate)
# instruct usage
for i, j in enumerate(cosyvoice.inference_instruct2('收到好友从远方寄来的生日礼物，那份意外的惊喜与深深的祝福让我心中充满了甜蜜的快乐，笑容如花儿般绽放。', '用四川话说这句话', prompt_speech_16k, stream=False)):
torchaudio.save('instruct_{}.wav'.format(i), j['tts_speech'], cosyvoice.sample_rate)写在最后
CosyVoice 是一款领先的多语言、情感控制的语音生成大模型，它不仅能在多种语言和情感下生成自然的语音，还能通过简单的音频样本进行说话人声音克隆，提供精准的音色和情感调控。
随着 AI 语音生成技术的进步，CosyVoice 不仅为开发者提供了一个强大的工具，也为语音交互和多语言应用打开了新的可能性。
模型：
https://www.modelscope.cn/models/iic/CosyVoice2-0.5B
DEMO：https://www.modelscope.cn/studios/iic/CosyVoice2-0.5B
GitHub：https://github.com/FunAudioLLM/