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。

这篇不讲概念，直接给能复制修改的模板，以及每个模板该怎么填。

模板怎么用

每个模板都由三部分组成：背景（你是谁、要做什么）、约束（格式、篇幅、禁止事项）、验收（怎样算合格）。把方括号里的内容换成你自己的信息即可。

模板 1：有声读物试音

适合：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。

填写提示：要求它在不确定处标注，而不是自行补全；验收看「两种风格差异明显」。

模板 2：播客后期

适合：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。

填写提示：如果结果太长，补一句字数或条数上限；验收看「人声没有被处理得发闷」。

模板 3：分轨练习

适合：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。

填写提示：把你最看重的一条要求放在最前面；验收看「分离后人声没有明显残留伴奏」。

模板维护

  • 给每个模板编号并记录修改日期。
  • 保留一份「效果好」的示例输出作为对照。
  • 团队共用时注明适用场景和负责人。

更多可以试的用法

短视频配乐

准备材料：一条 30 秒视频的情绪与节奏。

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。

验收标准：结尾没有突然截断。

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。

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。

验收标准：数字读法不会产生歧义。

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：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：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：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：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：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。

注意事项

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。

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