CosyVoice 老手才知道的用法
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。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 遇到瓶颈时，用 GPT-SoVITS 做一次对照，判断是工具问题还是用法问题。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 长材料分段处理，每段完成后再要一份汇总。
- 把「TTS（文本转语音）」等关键设置弄清楚再调参。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 敏感信息用代号替换，交付前再换回。
示例：分步完成的写法
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。
更多可以试的用法
分轨练习
准备材料：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。
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。
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。
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：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：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。
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：TTS（文本转语音）
把文字合成为语音，可选择音色、语速与情感。
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。
适合人群：研究生
研究生可以用 CosyVoice 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。
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。
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。
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。