CosyVoice 相关术语解释（新手向）
在「音频与语音」类工具里，CosyVoice 的定位是：阿里通义实验室开源的多语言语音合成模型。
看文档和设置项时遇到的术语，这里用一两句话解释清楚。
术语表
- TTS（文本转语音）：把文字合成为语音，可选择音色、语速与情感。
- 声音克隆：用少量样本复制某人的音色，必须取得本人授权。
- 说话人分离：在转写中区分不同发言人，便于整理会议记录。
- 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。
- 人声分离：把歌曲或录音拆分为人声与伴奏等音轨。
- 采样率：每秒采样次数，影响音质与文件大小。
和 CosyVoice 相关的补充
- 开源项目：CosyVoice 的产品形态，决定了安装、权限和数据存放方式。
- 同类产品：GPT-SoVITS、F5-TTS、Fish Speech。
- 所属方向：音频与语音。
把概念用起来
短视频配乐
适用情况：手头有一条 30 秒视频的情绪与节奏时。
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。
补充练习
分轨练习
适用情况：手头有一首用于练习的歌曲音频时。
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。
检查点：分离后人声没有明显残留伴奏。
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。
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。
验收标准：人声没有被处理得发闷。
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。
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：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。
概念补充：声音克隆
用少量样本复制某人的音色，必须取得本人授权。
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：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：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
本文基于 CosyVoice 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
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。