CosyVoice 新手第一练：一个可交付的小任务
先说清楚它是什么：CosyVoice 属于「音频与语音」方向的开源项目，阿里通义实验室开源的多语言语音合成模型。
与其看十篇介绍，不如完整做一个小项目，这篇带你走一遍。
项目：分轨练习
目标：用 CosyVoice 完成一次「分轨练习」，交付一份可以直接给同事或客户看的结果。预计用时 1 小时以内。
步骤
- 阅读仓库 README 与许可证。
- 准备材料：一首用于练习的歌曲音频（先脱敏）
- 复制下面的提示词，替换方括号内容。
- 第一次结果出来后，只针对一个问题追问修改。
- 按验收标准检查：分离后人声没有明显残留伴奏。
- 保存提示词与最终结果，写三行复盘。
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。
复盘模板
这次任务：
节省或多花的时间：
需要人工修改的地方：
下次会改进的提示：
是否继续使用：
做完之后
可以尝试第二个任务「短视频配乐」，或者把这次的流程分享给同事一起试。
更多可以试的用法
有声读物试音
输入：一个章节的文本。
用两种不同的声音风格朗读这一章节的前 300 字：一种沉稳叙述，一种轻松亲切，对比后选择更适合的版本。
检查点：两种风格差异明显。
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。
验收标准：人声没有被处理得发闷。
课程旁白配音
适用情况：手头有一份 800 字的讲解稿时。
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。
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。
常见问题：转写错字集中在专有名词
提前提供人名、产品名词表，转写后批量替换。
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：TTS（文本转语音）
把文字合成为语音，可选择音色、语速与情感。
概念补充：采样率
每秒采样次数，影响音质与文件大小。
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。
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：自媒体创作者
自媒体创作者可以用 CosyVoice 处理选题与脚本、封面与剪辑等工作。需要注意：注意素材版权与平台规则，AI 生成内容按平台要求标注。
写在最后
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。
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。