CosyVoice 是一款开源项目：阿里通义实验室开源的多语言语音合成模型。

当同一类任务每天重复出现时，就值得考虑把它接进自动化流程。

适合自动化的任务特征

  • 输入格式固定（同一种表单、文件或消息）
  • 判断规则可以写清楚。
  • 出错时可以被发现并人工补救。
  • 频率足够高，值得投入配置时间。

接入方式

CosyVoice 属于开源项目，通常可以直接在代码或自动化平台中调用。下面是通用的调用结构示意（字段名以官方文档为准）：

触发：新文件 / 新消息 / 定时
→ 预处理：去除敏感字段，截断过长内容
→ 调用：发送任务说明 + 材料，设置超时与重试
→ 校验：检查输出格式与必填字段
→ 分流：合格的写入目标系统，不合格的进入人工队列
→ 记录：保存请求编号、耗时与费用

示例：自动化里的核心指令

播客后期

输入：一期双人录制的原始音频。

处理这期音频：降低底噪、统一两人音量、删除超过 2 秒的停顿，保留自然的语气词，输出前后对比的处理记录。

检查点：人声没有被处理得发闷。

上线前的风控

  • 对外发送的内容一律先进入人工审核。
  • 设置每日调用上限和费用告警。
  • 保留原始输入，便于出错时追溯。
  • 每周抽查一批自动处理结果。

补充练习

会议录音转写

准备材料：一段 1 小时的会议录音。

转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。

检查点：专有名词按名单校正。

课程旁白配音

输入：一份 800 字的讲解稿。

把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。

验收标准：数字读法不会产生歧义。

短视频配乐

准备材料：一条 30 秒视频的情绪与节奏。

生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。

交付前确认：结尾没有突然截断。

常见问题：降噪后声音发闷

降低处理强度，宁可保留少量底噪。

常见问题：合成语音读错多音字

在文本中改用同音字或拼音标注，或使用工具的发音词典。

常见问题：配乐与画面情绪不符

先写清情绪关键词和节奏，再分段生成拼接。

概念补充：说话人分离

在转写中区分不同发言人，便于整理会议记录。

概念补充：响度标准化

把音频调整到平台推荐的响度范围，避免忽大忽小。

适合人群：游戏开发者

游戏开发者可以用 CosyVoice 处理原型与素材、NPC 对话与文案等工作。需要注意：关注生成素材的授权和平台对 AI 内容的披露要求。

适合人群：播客主

播客主可以用 CosyVoice 处理选题与提纲、音频后期等工作。需要注意：嘉宾声音和内容的再利用需取得同意。

适合人群：中小学老师

中小学老师可以用 CosyVoice 处理备课与分层练习、批改反馈与评语等工作。需要注意：学生个人信息和成绩不要上传到未经学校批准的工具。

注意事项

涉及个人信息、商业机密或受监管数据时，先确认 CosyVoice 的数据处理条款，再决定能否使用。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读