阿里通义实验室开源的多语言语音合成模型——这是 CosyVoice 最主要的用途，也是本文讨论的前提。

这篇面向国内用户，讲注册使用要点、合规注意和国产同类的对照。

使用要点

  • 国内产品一般支持手机号或常用社交账号登录，具体以官网为准。
  • 生成内容需遵守国内关于生成式 AI 的管理规定，公开发布时按平台要求标注。
  • 企业使用前确认是否提供企业版、发票和数据处理协议。
  • 与 GPT-SoVITS 等同类产品相比，重点看你的核心任务效果。

国产同类对照

如果你需要国内可直接使用的方案，可以对照了解：讯飞配音、CosyVoice、通义听悟。建议用同一组任务分别测试，比较效果、速度和数据条款。

一个通用测试任务

分轨练习

输入：一首用于练习的歌曲音频。

把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。

交付前确认：分离后人声没有明显残留伴奏。

延伸练习

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。

检查点：数字读法不会产生歧义。

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】。

交付前确认：专有名词按名单校正。

播客后期

准备材料：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。

交付前确认：人声没有被处理得发闷。

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：克隆音色不稳定

使用更干净、更长的样本，避免背景音乐和回声。

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：人声分离

把歌曲或录音拆分为人声与伴奏等音轨。

适合人群：客服人员

客服人员可以用 CosyVoice 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

适合人群：记者编辑

记者编辑可以用 CosyVoice 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。

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。

使用提醒

文中提示词和示例仅作示意，实际效果取决于你的材料和 CosyVoice 当前版本，重要内容请人工核对后再使用。

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。

延伸阅读