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。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
清晰度语音是否清楚、无明显杂音明显不合格无需修改即可使用
准确性转写或朗读是否与文本一致明显不合格无需修改即可使用
自然度停顿、语调是否像真人明显不合格无需修改即可使用
一致性多段音频音量与音色是否统一明显不合格无需修改即可使用
授权音色、音乐是否有合法使用依据明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

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。

验收标准：分离后人声没有明显残留伴奏。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 CosyVoice 的结果与人工完成或 Fish Speech 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

延伸练习

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

适用情况：手头有一期双人录制的原始音频时。

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

准备材料：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。

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。

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：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。

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。

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：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：视频剪辑师

视频剪辑师可以用 CosyVoice 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。

使用提醒

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。

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。

延伸阅读